Agent.ai.vn

Ba Tư Tưởng Quan Trọng Nhất Trong 900 Bài Viết Trên Forbes Của Tôi

<h2>Ba Tư Tưởng Quan Trọng Nhất Trong 900 Bài Viết Trên Forbes Của Tôi</h2>

<ol>
  <li><strong>Khơi Gợi Sự Tự Tin Ở Người Khác</strong></li>
  <li><strong>Quản Lý Quá Trình Hội Nhập Của Lãnh Đạo Qua 7 Giai Đoạn</strong></li>
  <li><strong>Chuyển Đổi Chiến Lược, Tổ Chức Và Vận Hành Tại Các Điểm Bứt Phá</strong></li>
  <li><strong>Những Ý Tưởng Mới Lạ?</strong>
    <ul>
      <li>Bảy Giai Đoạn Hội Nhập Của Lãnh Đạo</li>
      <li>Khung Năng Lực Lãnh Đạo BRAVE</li>
      <li>Khung Tư Duy Tốt Nhất Hiện Tại (CBT) Cho Phát Triển Sự Nghiệp</li>
      <li>Sáu Cấp Độ Uỷ Quyền</li>
    </ul>
  </li>
  <li><strong>Kết Luận</strong></li>
</ol>

<p>Theo Perplexity AI, ba ý tưởng quan trọng nhất xuất hiện trong hơn 900 bài viết của tôi trên Forbes trong 13 năm qua là:</p>

<h3>1. Khơi Gợi Sự Tự Tin Ở Người Khác:</h3>

<p>Là một nhà lãnh đạo, công việc của bạn là truyền cảm hứng, tạo điều kiện và trao quyền cho người khác để họ cùng nhau phát huy hết khả năng, hướng đến mục tiêu chung ý nghĩa và xứng đáng. Nhà lãnh đạo giỏi chú trọng xây dựng sự tự tin trong cách họ uỷ quyền, hiểu rằng con người được thúc đẩy bởi việc làm điều tốt cho người khác, vượt trội ở lĩnh vực của họ và làm điều tốt cho chính mình. Lãnh đạo hiệu quả không phải là về bạn, mà là về cách bạn khơi gợi sự tự tin ở người khác để đạt được điều quan trọng nhất.</p>

<h3>2. Quản Lý Quá Trình Hội Nhập Của Lãnh Đạo Qua 7 Giai Đoạn:</h3>

<p>Bảy giai đoạn hội nhập của lãnh đạo bao gồm: tiếp thị, bán hàng, mua hàng, chuẩn bị, hội tụ, phát triển và điều chỉnh – theo thứ tự: 1) trước lần tiếp xúc đầu tiên, 2) giữa lần tiếp xúc đầu tiên và lời đề nghị, 3) tại thời điểm đề nghị, 4) trong giai đoạn Fuzzy Front End giữa chấp nhận và bắt đầu, 5) trong những ngày đầu, 6) tại thời điểm chuyển đổi từ hội tụ sang phát triển và 7) khi mọi thứ thay đổi.</p>

<p>Perplexity lưu ý rằng các giai đoạn này trải dài từ tự đánh giá trước khi tiếp xúc đến điều hướng những thay đổi sau khi gia nhập. Các khía cạnh chính bao gồm hiểu rõ điểm mạnh và sở thích của bản thân, nắm vững quy trình phỏng vấn, thẩm định kỹ lưỡng, lập kế hoạch hành động 100 ngày, xây dựng mối quan hệ, đồng sáng tạo hướng đi tương lai với đội ngũ nòng cốt và thích ứng với thay đổi.</p>

<h3>3. Chuyển Đổi Chiến Lược, Tổ Chức Và Vận Hành Tại Các Điểm Bứt Phá:</h3>

<p>Nhận ra và lãnh đạo thông qua các điểm bứt phá chiến lược - những thời điểm then chốt thay đổi cơ bản cách chúng ta suy nghĩ và hành động. Áp dụng cách tiếp cận toàn diện đối với các điểm uốn này, đồng thời đánh giá lại và điều chỉnh chiến lược, cơ cấu tổ chức và hoạt động của bạn. Khung BRAVE (Hành vi, Mối quan hệ, Thái độ, Giá trị, Môi trường) có thể giúp bạn điều hướng những thời điểm quan trọng này.</p>

<h3>4. Những Ý Tưởng Mới Lạ?</h3>

<p>Tôi đã hỏi Perplexity xem ý tưởng nào của tôi là mới trên thế giới. Nó đã né tránh câu hỏi đó, nhưng có thể nêu bật một số khung có vẻ là đóng góp độc đáo hoặc là sự điều chỉnh đáng kể từ các khái niệm hiện có. Theo Perplexity, chúng bao gồm:</p>

<ul>
  <li><strong>Bảy Giai Đoạn Hội Nhập Của Lãnh Đạo:</strong> Mặc dù các quy trình hội nhập đã được thảo luận trong tài liệu quản lý trước đây, nhưng Perplexity cho rằng khung bảy giai đoạn cụ thể (tiếp thị, bán hàng, mua hàng, chuẩn bị, hội tụ, phát triển và điều chỉnh) dường như là một cách tiếp cận độc đáo và toàn diện đối với quá trình chuyển đổi của lãnh đạo. Khung này cung cấp lộ trình chi tiết trải dài từ trước khi tiếp xúc đến điều chỉnh sau khi bắt đầu, rộng hơn nhiều so với các mô hình hội nhập truyền thống.</li>
  <li><strong>Khung Năng Lực Lãnh Đạo BRAVE:</strong> Khung BRAVE (Hành vi, Mối quan hệ, Thái độ, Giá trị, Môi trường) để điều hướng các điểm uốn chiến lược là một cách tiếp cận đặc biệt đối với khả năng lãnh đạo trong thời kỳ thay đổi đáng kể. Perplexity cho rằng Khung này dường như là sự tổng hợp độc đáo của các khái niệm lãnh đạo khác nhau được áp dụng cụ thể cho các điểm uốn.</li>
  <li><strong>Khung Tư Duy Tốt Nhất Hiện Tại (CBT) Cho Phát Triển Sự Nghiệp:</strong> Mặc dù khung CBT ban đầu được Roger Neill thiết kế cho việc giải quyết vấn đề, nhưng Perplexity cho rằng việc điều chỉnh khung này cho phát triển sự nghiệp cá nhân dường như là một ứng dụng mới lạ. Nó cho biết cách tiếp cận kết hợp giữa các khả năng trong tương lai, đánh giá thực tế hiện tại và giải quyết vấn đề thu hẹp khoảng cách cho kế hoạch nghề nghiệp cá nhân là một đóng góp độc đáo cho lĩnh vực phát triển cá nhân.</li>
  <li><strong>Sáu Cấp Độ Uỷ Quyền:</strong> Khung sáu cấp độ để uỷ quyền, từ Tự mình làm tốt đến Không bao giờ làm, cung cấp cách tiếp cận chi tiết cho việc phân bổ nhiệm vụ và trao quyền lãnh đạo. Mặc dù các khái niệm uỷ quyền đã tồn tại trong tài liệu quản lý, nhưng Perplexity cho rằng khung sáu cấp độ cụ thể dường như là một đóng góp độc đáo cho lĩnh vực này.</li>
</ul>

<h4>Sáu Cấp Độ Uỷ Quyền:</h4>

<ol>
  <li>Tự mình làm tốt - Lĩnh vực tập trung chính của người đóng góp cá nhân.</li>
  <li>Tự mình làm, nhưng chỉ cần đủ tốt - Người đóng góp cá nhân.</li>
  <li>Uỷ quyền và giám sát - Lĩnh vực của người quản lý.</li>
  <li>Uỷ quyền và tin tưởng - Truyền cảm hứng, tạo điều kiện và trao quyền cho người khác.</li>
  <li>Làm sau - Hạ thấp mức độ ưu tiên, tiết kiệm thời gian cho người khác ngay bây giờ.</li>
  <li>Không bao giờ làm - Hạ thấp mức độ ưu tiên tối đa, tiết kiệm thời gian và sự chú ý cho người khác.</li>
</ol>

<p>Perplexity lưu ý rằng mặc dù các khung này có thể kết hợp các yếu tố từ lý thuyết quản lý và lãnh đạo hiện có, nhưng các công thức cụ thể, ứng dụng và cách tiếp cận toàn diện đối với các chủ đề này dường như là những đóng góp ban đầu cho lĩnh vực lãnh đạo điều hành và chiến lược tổ chức. Sự mới lạ nằm ở cách các khái niệm khác nhau được tổng hợp, áp dụng vào các bối cảnh cụ thể như hội nhập của lãnh đạo và biến thành các khung thực tế, có thể hành động để các nhà lãnh đạo noi theo.</p>

<p>Mặc dù không chắc chắn về việc Perplexity có thể nắm bắt được những ý tưởng và khung quan trọng nhất chỉ trong năm bài viết trong số hơn 900 bài viết của tôi hay không, nhưng ít nhất vẫn có điều đáng để đọc.</p>

<p>Để biết danh sách phân loại các bài viết của tôi trên Forbes, hãy nhấp vào <a href='#'>đây</a>.</p>

<p>Theo dõi tôi trên Twitter và xem trang web của tôi.</p>

Ba Tư Tưởng Quan Trọng Nhất Trong 900 Bài Viết Trên Forbes Của Tôi

Ba Tư Tưởng Quan Trọng Nhất Trong 900 Bài Viết Trên Forbes Của Tôi Khơi Gợi Sự Tự Tin Ở Người Khác Quản Lý Quá Trình Hội Nhập Của L...

tháng 8 07, 2024

Google Vẫn Thống Trị Thị Trường Tìm Kiếm Dù Đối Mặt Sóng Gió Từ AI

<h2>Google Vẫn Thống Trị Thị Trường Tìm Kiếm Dù Đối Mặt Sóng Gió Từ AI</h2>

<h3>Mục lục</h3>
<ul>
  <li>Số liệu cho thấy Google vẫn tăng trưởng</li>
  <li>Lượng truy cập và người dùng áp đảo</li>
  <li>Tương lai nào cho Google?</li>
</ul>

<p>Mặc dù sự trỗi dậy của các công cụ tìm kiếm AI mới như ChatGPT của OpenAI, Copilot của Microsoft và các công cụ tìm kiếm chuyên biệt khác, dữ liệu mới cho thấy Google vẫn chưa bị ảnh hưởng đáng kể.</p>

<h3>Số liệu cho thấy Google vẫn tăng trưởng</h3>

<p>Theo phân tích của Sonata Insights dựa trên dữ liệu từ Datos' clickstream panel, lưu lượng truy cập Google có thể đã tăng 1,4% từ tháng 5/2023 đến tháng 5/2024. </p>

<p>Rand Fishkin, chuyên gia tại Sparktoro, cho biết: Vào tháng 5/2024, lượng truy cập trên máy tính để bàn của Google nhỉnh hơn một chút so với cùng kỳ năm 2023 (+1,4%), trong khi công cụ tìm kiếm AI lớn nhất theo số liệu này (Perplexity) là 15,69 (+42% so với năm trước).</p>

<h3>Lượng truy cập và người dùng áp đảo</h3>

<p>Dữ liệu cho thấy Google có lượng người dùng tìm kiếm gấp 290 lần so với Perplexity vào tháng 5.  Nếu so sánh khoảng 200 lượt tìm kiếm mỗi người dùng Google thực hiện mỗi tháng, thì con số này ở Perplexity chỉ là ~15. Điều này cho thấy người dùng Perplexity chỉ hoạt động trên nền tảng của họ bằng khoảng 7,5% so với người dùng Google.</p>

<h3>Tương lai nào cho Google?</h3>

<p>Mặc dù các tính năng tìm kiếm AI và các công cụ tìm kiếm AI chuyên biệt ngày càng phổ biến, Google vẫn chiếm thị phần đáng kể trong thị trường tìm kiếm. Liệu điều đó có thay đổi trong những năm tới hay không? Thời gian sẽ trả lời. Nhưng hiện tại, Google vẫn là một thế lực thống trị.</p>

Google Vẫn Thống Trị Thị Trường Tìm Kiếm Dù Đối Mặt Sóng Gió Từ AI

Google Vẫn Thống Trị Thị Trường Tìm Kiếm Dù Đối Mặt Sóng Gió Từ AI Mục lục Số liệu cho thấy Google vẫn tăng trưởng Lượng truy cập ...

tháng 8 07, 2024

Xây dựng mạng lưới AI quy mô lớn tại Meta: Hành trình chinh phục thách thức

<h2>Xây dựng mạng lưới AI quy mô lớn tại Meta: Hành trình chinh phục thách thức</h2>

<h3>Mục lục</h3>
<ol>
  <li><a href='#gioi-thieu'>Giới thiệu</a></li>
  <li><a href='#kien-truc'>Kiến trúc mạng lưới cho huấn luyện AI phân tán</a>
    <ul>
      <li><a href='#frontend-backend'>Sự tách biệt Frontend và Backend</a></li>
      <li><a href='#ai-zone'>Khu vực AI (AI Zone)</a></li>
    </ul>
  </li>
  <li><a href='#dieu-huong'>Điều hướng luồng dữ liệu huấn luyện</a>
    <ul>
      <li><a href='#ecmp-path-pinning'>ECMP và Path Pinning</a></li>
      <li><a href='#mo-rong-queue-pair'>Mở rộng Queue Pair</a></li>
    </ul>
  </li>
  <li><a href='#kiem-soat'>Kiểm soát tắc nghẽn</a>
    <ul>
      <li><a href='#dieu-chinh-dcqcn'>Điều chỉnh DCQCN</a></li>
      <li><a href='#quan-ly-luu-luong'>Quản lý lưu lượng dựa trên đầu thu</a></li>
    </ul>
  </li>
  <li><a href='#huong-phat-trien'>Hướng phát triển tương lai</a></li>
  <li><a href='#ket-luan'>Kết luận</a></li>
</ol>

<h3 id='gioi-thieu'>Giới thiệu</h3>

<p>Sự phát triển của AI, đặc biệt là huấn luyện AI phân tán, đang tạo áp lực lớn lên cơ sở hạ tầng mạng của trung tâm dữ liệu. Để đáp ứng nhu cầu ngày càng tăng này, Meta đã nghiên cứu và phát triển một mạng lưới AI quy mô lớn, hiệu suất cao dựa trên công nghệ RoCEv2. Bài viết này sẽ trình bày chi tiết về thiết kế, triển khai và vận hành mạng lưới này, đồng thời nêu bật những thách thức và giải pháp mà Meta đã thực hiện.</p>

<h3 id='kien-truc'>Kiến trúc mạng lưới cho huấn luyện AI phân tán</h3>

<h4 id='frontend-backend'>Sự tách biệt Frontend và Backend</h4>

<p>Để tối ưu hóa hiệu suất, Meta đã thiết lập hai mạng độc lập: Frontend (FE) và Backend (BE). FE đảm nhận các tác vụ như tiếp nhận dữ liệu, checkpointing và logging, trong khi BE tập trung vào việc kết nối các GPU phục vụ cho huấn luyện.</p>

<p>Ban đầu, Meta sử dụng cấu trúc hình sao đơn giản với một switch trung tâm. Tuy nhiên, để mở rộng quy mô và tăng cường khả năng sẵn sàng, Meta đã chuyển sang kiến trúc fabric-based với cấu trúc Clos hai tầng, gọi là AI Zone.</p>

<p>Trong AI Zone, các switch RTSW đóng vai trò là switch lá, kết nối các GPU trong cùng một rack. Switch CTSW ở tầng lõi kết nối tất cả các rack trong cluster, tạo ra kết nối không bị chặn giữa các GPU.</p>

<p>Để đáp ứng nhu cầu huấn luyện các mô hình ngôn ngữ lớn (LLM) như Llama, Meta đã mở rộng kết nối RoCE ra ngoài phạm vi AI Zone bằng cách sử dụng switch ATSW. ATSW kết nối các CTSW trong trung tâm dữ liệu, cho phép mở rộng quy mô GPU.</p>

<h3 id='dieu-huong'>Điều hướng luồng dữ liệu huấn luyện</h3>

<h4 id='ecmp-path-pinning'>ECMP và Path Pinning</h4>

<p>Ban đầu, Meta sử dụng ECMP để cân bằng tải lưu lượng mạng. Tuy nhiên, do đặc thù luồng dữ liệu huấn luyện AI có entropy thấp, ECMP không mang lại hiệu quả cao. Giải pháp thay thế là path pinning, định tuyến gói tin dựa trên lát đích.</p>

<p>Tuy nhiên, path pinning bộc lộ hạn chế khi rack được phân bổ cho nhiều job, dẫn đến phân bố lưu lượng không đồng đều và tắc nghẽn. Nâng cấp băng thông RTSW là giải pháp tạm thời cho vấn đề này.</p>

<h4 id='mo-rong-queue-pair'>Mở rộng Queue Pair</h4>

<p>Để cải thiện hiệu suất ECMP, Meta đã áp dụng kỹ thuật mở rộng Queue Pair (QP). Bằng cách sử dụng E-ECMP và mở rộng QP, Meta đã tăng số lượng luồng dữ liệu cho các tập hợp phân cấp, từ đó cải thiện hiệu suất AllReduce lên tới 40%.</p>

<h3 id='kiem-soat'>Kiểm soát tắc nghẽn</h3>

<h4 id='dieu-chinh-dcqcn'>Điều chỉnh DCQCN</h4>

<p>Meta đã thử nghiệm điều chỉnh DCQCN để thích ứng với tốc độ và cấu trúc liên kết mạng 400G. Tuy nhiên, do lỗi trong firmware, hiệu suất bị giảm sút.</p>

<h4 id='quan-ly-luu-luong'>Quản lý lưu lượng dựa trên đầu thu</h4>

<p>Để giảm thiểu tắc nghẽn, Meta đã đồng thiết kế thư viện kết nối và RoCE để thực thi quản lý lưu lượng dựa trên đầu thu. Cơ chế này giới hạn lưu lượng trên mạng, đặc biệt khi bắt đầu xuất hiện tắc nghẽn.</p>

<h3 id='huong-phat-trien'>Hướng phát triển tương lai</h3>

<p>Với sự phát triển nhanh chóng của GenAI, Meta sẽ tiếp tục cải tiến cơ sở hạ tầng mạng, tập trung vào việc tối ưu hóa thuật toán kiểm soát tắc nghẽn và thích ứng với khối lượng công việc huấn luyện AI ngày càng phức tạp.</p>

<p>Thông qua việc tách biệt mạng FE và BE, áp dụng các phương pháp định tuyến hiệu quả và tối ưu hóa luồng dữ liệu, Meta đã xây dựng được một mạng lưới AI quy mô lớn, hiệu suất cao và đáng tin cậy. Những nỗ lực này góp phần thúc đẩy sự phát triển của cơ sở hạ tầng huấn luyện AI phân tán, đáp ứng nhu cầu ngày càng tăng của kỷ nguyên AI.</p>

Xây dựng mạng lưới AI quy mô lớn tại Meta: Hành trình chinh phục thách thức

Xây dựng mạng lưới AI quy mô lớn tại Meta: Hành trình chinh phục thách thức Mục lục Giới thiệu Kiến trúc mạng lưới cho huấn luyện ...

tháng 8 07, 2024

Perplexity - Ứng dụng tìm kiếm AI chia sẻ doanh thu quảng cáo với các nhà xuất bản

<h2>Perplexity - Ứng dụng tìm kiếm AI chia sẻ doanh thu quảng cáo với các nhà xuất bản</h2>

<h3>Mục lục</h3>
<ul>
  <li>Giới thiệu chương trình hợp tác</li>
  <li>Lợi ích cho nhà xuất bản</li>
  <li>Tầm nhìn của Perplexity</li>
  <li>Mô hình quảng cáo mới</li>
  <li>Đối tác và tiềm năng phát triển</li>
  <li>Đối thủ cạnh tranh</li>
  <li>Kết luận</li>
</ul>

<p>Ứng dụng tìm kiếm AI Perplexity đã xác nhận sẽ chia sẻ doanh thu quảng cáo với các nhà xuất bản tin tức khi bài viết của họ xuất hiện trong kết quả tìm kiếm của người dùng.</p>

<h3>Chương trình hợp tác mới</h3>

<p>Tuần trước, Perplexity đã ra mắt Chương trình dành cho nhà xuất bản, nhằm đảm bảo các nhà xuất bản tin tức nhận được hỗ trợ tài chính và ghi nhận xứng đáng khi nội dung của họ xuất hiện trong kết quả tìm kiếm của ứng dụng.</p>

<h3>Lợi ích thiết thực cho nhà xuất bản</h3>

<p>Theo chương trình này, các doanh nghiệp có thể trả phí để nội dung của họ được hiển thị trong các vị trí quảng cáo mới xung quanh tính năng theo dõi liên quan trên ứng dụng. Bất cứ khi nào quảng cáo tạo ra doanh thu từ tương tác có liên quan đến nội dung của nhà xuất bản, nhà xuất bản sẽ nhận được một phần chia sẻ.</p>

<p>Ngoài ra, nhà xuất bản cũng sẽ có quyền truy cập vào phân tích hiệu suất nội dung trên Perplexity thông qua sự hợp tác với ScalePost.ai, một nền tảng cung cấp phân tích AI cho các nhà xuất bản. </p>

<p>Đặc biệt, các nhà xuất bản tham gia chương trình sẽ được quyền truy cập miễn phí vào API của Perplexity. Điều này cho phép họ xây dựng công cụ trả lời tìm kiếm tùy chỉnh cho trang web của riêng mình. Nhân viên của họ cũng sẽ được sử dụng miễn phí phiên bản Perplexity Pro trong một năm.</p>

<h3>Tầm nhìn của Perplexity</h3>

<p>Giám đốc điều hành Aravind Srinivas của Perplexity cho biết công ty đã xây dựng chương trình này dựa trên mục tiêu tạo ra một hệ thống có khả năng mở rộng và bền vững, nơi tất cả các bên đều có lợi. </p>

<p>Chúng tôi đánh giá cao những nhà xuất bản đã tham gia chương trình và cung cấp cho chúng tôi những phản hồi quý báu về cách thức hoạt động, ông Srinivas chia sẻ. Chúng tôi luôn tin rằng chúng ta có thể xây dựng một hệ thống mà Internet là người chiến thắng cuối cùng, và đây chỉ là bước khởi đầu.</p>

<h3>Mô hình quảng cáo mới</h3>

<p>Việc ra mắt Chương trình dành cho nhà xuất bản cũng đánh dấu lần đầu tiên ứng dụng tìm kiếm AI Perplexity tích hợp quảng cáo. Trước đây, Perplexity dựa vào hình thức đăng ký trả phí cho phiên bản cao cấp Perplexity Pro (20 đô la/tháng) để mang đến cho người dùng trải nghiệm tìm kiếm AI nâng cao.</p>

<p>Bản cập nhật sắp tới sẽ hiển thị quảng cáo trong phần tìm kiếm liên quan. Ví dụ, nếu người dùng tìm kiếm nhà hàng trong thành phố, một chuỗi nhà hàng có thể trả tiền để quảng cáo của họ xuất hiện trong phần tìm kiếm liên quan. Việc nhấp vào quảng cáo sẽ tạo doanh thu cho cả ứng dụng và các nhà xuất bản có nội dung được hiển thị trong kết quả tìm kiếm. </p>

<h3>Đối tác và tiềm năng phát triển</h3>

<p>Time, Fortune, Entrepreneur và WordPress nằm trong số những nhà xuất bản đầu tiên được hưởng lợi từ chương trình này.</p>

<p>Perplexity cũng đang xem xét hợp tác với các nhà xuất bản để cung cấp gói đăng ký kết hợp, cho phép người dùng trả một mức phí cố định để sử dụng cả Perplexity Pro và đăng ký các nhà xuất bản tham gia.</p>

<p>Mark Howard, giám đốc vận hành của Time, cho biết: Chúng tôi tự hào tham gia Chương trình dành cho nhà xuất bản của Perplexity với tư cách là đối tác ra mắt để tiếp tục mở rộng khả năng tiếp cận thông tin đáng tin cậy và thu hút khán giả theo những cách thức mới.</p>

<h3>Đối thủ cạnh tranh tiềm ẩn</h3>

<p>Mặc dù vậy, Perplexity có thể sẽ phải đối mặt với một đối thủ cạnh tranh mới, OpenAI, khi công ty này vừa công bố đang thử nghiệm SearchGPT, một tính năng tìm kiếm mới cho ChatGPT, cho phép người dùng tìm kiếm trên web bằng ngôn ngữ tự nhiên, dạng đối thoại.</p>

<p>Với mô hình kinh doanh mới, Perplexity kỳ vọng sẽ tạo ra một hệ sinh thái đôi bên cùng có lợi, mang đến cho người dùng trải nghiệm tìm kiếm AI chất lượng cao, đồng thời hỗ trợ các nhà xuất bản phát triển bền vững trong thời đại kỹ thuật số. Liệu Perplexity có thành công trong việc hiện thực hóa mục tiêu này hay không? Hãy cùng chờ xem!</p>

Perplexity - Ứng dụng tìm kiếm AI chia sẻ doanh thu quảng cáo với các nhà xuất bản

Perplexity - Ứng dụng tìm kiếm AI chia sẻ doanh thu quảng cáo với các nhà xuất bản Mục lục Giới thiệu chương trình hợp tác Lợi ích...

tháng 8 07, 2024

Mạng RoCE cho huấn luyện AI phân tán quy mô lớn tại Meta

<h2>Mạng RoCE cho huấn luyện AI phân tán quy mô lớn tại Meta</h2>

<nav>
  <h3>Mục lục</h3>
  <ol>
    <li><a href='#giới-thiệu'>Giới thiệu</a></li>
    <li><a href='#kiến-trúc-mạng'>Kiến trúc mạng</a>
      <ul>
        <li><a href='#sự-phân-tách'>Sự phân tách</a></li>
        <li><a href='#khu-vực-ai'>Khu vực AI</a></li>
      </ul>
    </li>
    <li><a href='#định-tuyến'>Định tuyến</a>
      <ul>
        <li><a href='#ecmp-và-ghim-đường-dẫn'>ECMP và ghim đường dẫn</a></li>
        <li><a href='#cân-bằng-hàng-đợi'>Cân bằng hàng đợi (Queue pair scaling)</a></li>
      </ul>
    </li>
    <li><a href='#kiểm-soát-tắc-nghẽn'>Kiểm soát tắc nghẽn</a>
      <ul>
        <li><a href='#dcqcn'>DCQCN</a></li>
        <li><a href='#nhập-lưu-lượng-hướng-người-nhận'>Nhập lưu lượng hướng người nhận</a></li>
      </ul>
    </li>
    <li><a href='#hướng-phát-triển'>Hướng phát triển</a></li>
    <li><a href='#kết-luận'>Kết luận</a></li>
  </ol>
</nav>

<h3 id='giới-thiệu'>Giới thiệu</h3>

<p>Trong những năm qua, Meta đã xây dựng một trong những mạng lưới AI lớn nhất thế giới để hỗ trợ khối lượng công việc huấn luyện AI phân tán quy mô lớn. Bài báo này sẽ thảo luận chi tiết về cách chúng tôi thiết kế, triển khai và vận hành mạng lưới này, tập trung vào việc sử dụng RDMA over Converged Ethernet version 2 (RoCEv2) làm phương thức truyền thông liên nút cho phần lớn năng lực AI của chúng tôi.</p>

<p>Sự phổ biến ngày càng tăng của AI đã tạo ra một kỷ nguyên mới về nhu cầu truyền thông. Huấn luyện phân tán, đặc biệt, tạo ra sức ép đáng kể nhất lên cơ sở hạ tầng mạng của trung tâm dữ liệu. Ví dụ, một tác vụ AI tạo sinh (GenAI) điển hình có thể cần phối hợp chặt chẽ hàng chục nghìn GPU trong vài tuần. Việc xây dựng một cơ sở hạ tầng mạng đáng tin cậy, hiệu suất cao, có khả năng đáp ứng nhu cầu ngày càng tăng này, đòi hỏi phải đánh giá lại thiết kế mạng trung tâm dữ liệu.</p>

<p>Khi Meta giới thiệu phương pháp huấn luyện dựa trên GPU phân tán, chúng tôi đã quyết định xây dựng các mạng trung tâm dữ liệu chuyên biệt được thiết kế riêng cho các cụm GPU này. Chúng tôi đã chọn RoCEv2 làm phương thức truyền thông liên nút cho phần lớn năng lực AI của mình.</p>

<p>Chúng tôi đã mở rộng thành công mạng RoCE của mình, phát triển từ nguyên mẫu sang triển khai nhiều cụm, mỗi cụm chứa hàng nghìn GPU. Các cụm RoCE này hỗ trợ một loạt các công việc huấn luyện GPU phân tán trong sản xuất, bao gồm xếp hạng, đề xuất nội dung, hiểu nội dung, xử lý ngôn ngữ tự nhiên và huấn luyện mô hình GenAI, cùng với các khối lượng công việc khác.</p>

<p>Cụm huấn luyện dựa trên hai mạng độc lập: mạng frontend (FE) cho các tác vụ như nhập dữ liệu, lập điểm kiểm tra và ghi nhật ký và mạng backend (BE) để huấn luyện, như được mô tả bên dưới.</p>

<p>Một rack huấn luyện được kết nối với cả FE và BE của mạng trung tâm dữ liệu. FE có hệ thống phân cấp các tầng mạng – bộ chuyển mạch rack (RSW), bộ chuyển mạch fabric (FSW), v.v. – chứa kho lưu trữ, cung cấp cho GPU dữ liệu đầu vào cần thiết cho khối lượng công việc huấn luyện. Chúng tôi đảm bảo rằng có đủ băng thông ingress trên bộ chuyển mạch rack để không cản trở khối lượng công việc huấn luyện.</p>

<p>BE là một kết cấu chuyên biệt kết nối tất cả các NIC RDMA trong một kiến trúc không chặn, cung cấp băng thông cao, độ trễ thấp và truyền tải không mất dữ liệu giữa hai GPU bất kỳ trong cụm, bất kể vị trí thực của chúng. Kết cấu phụ trợ này sử dụng giao thức RoCEv2, đóng gói dịch vụ RDMA trong các gói UDP để truyền tải qua mạng.</p>

<p>Các mạng BE của chúng tôi đã trải qua một số thay đổi. Ban đầu, các cụm GPU của chúng tôi sử dụng cấu trúc liên kết hình sao đơn giản với một vài rack AI được kết nối với bộ chuyển mạch Ethernet trung tâm chạy giao thức RoCEv1 không định tuyến được. Thiết lập này có những hạn chế rõ ràng về quy mô GPU và khả năng dự phòng chuyển đổi. Do đó, chúng tôi đã nhanh chóng chuyển sang kiến trúc dựa trên kết cấu để mở rộng khả năng mở rộng và tính khả dụng cao hơn.</p>

<p>Chúng tôi đã thiết kế cấu trúc liên kết Clos hai tầng cho các rack AI, được gọi là Khu vực AI. Bộ chuyển mạch huấn luyện rack (RTSW), đóng vai trò là bộ chuyển mạch lá, cung cấp khả năng kết nối mở rộng cho GPU trong rack bằng cáp DAC dựa trên đồng. Tầng spine, bao gồm các bộ chuyển mạch huấn luyện cụm mô-đun (CTSW), cung cấp khả năng kết nối mở rộng giữa tất cả các rack trong cụm. CTSW có bộ đệm sâu được chia tĩnh trên các cổng trong khung. Các RTSW kết nối với CTSW thông qua cáp quang đơn mode và bộ thu phát có thể cắm 400G.</p>

<p>Các Khu vực AI được thiết kế để hỗ trợ một lượng lớn GPU được kết nối với nhau một cách không chặn. Tuy nhiên, những tiến bộ mới nổi của AI, chẳng hạn như LLM như Llama, yêu cầu quy mô GPU lớn hơn mức mà một Khu vực AI cung cấp. Để thích ứng với điều này, chúng tôi đã thiết kế một tầng bộ chuyển mạch huấn luyện tổng hợp (ATSW) kết nối các CTSW trong tòa nhà trung tâm dữ liệu, mở rộng miền RoCE ra ngoài một Khu vực AI duy nhất.</p>

<p>Lưu ý, kết nối chéo Khu vực AI được đăng ký quá mức theo thiết kế, với lưu lượng truy cập mạng được cân bằng bằng ECMP. Để giảm thiểu nút thắt cổ chai hiệu suất đối với lưu lượng truy cập chéo Khu vực AI, chúng tôi đã cải thiện trình lên lịch tác vụ huấn luyện để tìm lát cắt tối thiểu khi chia các nút huấn luyện thành các Khu vực AI khác nhau, giảm lưu lượng truy cập chéo Khu vực AI và do đó rút ngắn thời gian hoàn thành chung. Trình lên lịch thực hiện việc này bằng cách tìm hiểu vị trí của máy chủ GPU trong cấu trúc liên kết logic để đề xuất phân bổ hạng.</p>

<h3 id='định-tuyến'>Định tuyến</h3>

<p>Việc mở rộng quy mô sức mạnh tính toán và cấu trúc liên kết mạng đã thảo luận ở trên dẫn đến câu hỏi làm thế nào để cân bằng và định tuyến hiệu quả lưu lượng truy cập huấn luyện khổng lồ. Cụ thể, khối lượng công việc huấn luyện AI có một số đặc điểm đầy thách thức:</p>

<ul>
  <li><strong>Độ hỗn loạn thấp (Low entropy):</strong> So với khối lượng công việc của trung tâm dữ liệu truyền thống, số lượng và sự đa dạng của luồng cho khối lượng công việc AI nhỏ hơn nhiều và các mẫu luồng thường lặp đi lặp lại và có thể dự đoán được.</li>
  <li><strong>Tính bùng nổ (Burstiness):</strong> Trên khía cạnh thời gian, các luồng thường thể hiện bản chất bật và tắt trong độ chi tiết thời gian tính bằng mili giây.</li>
  <li><strong>Luồng voi (Elephant flows):</strong> Đối với mỗi lần bùng nổ, cường độ của mỗi luồng có thể đạt tới tốc độ đường truyền của NIC.</li>
</ul>

<h4 id='ecmp-và-ghim-đường-dẫn'>ECMP và ghim đường dẫn</h4>

<p>Ban đầu, chúng tôi đã xem xét ECMP được áp dụng rộng rãi, đặt các luồng một cách ngẫu nhiên dựa trên hàm băm trên năm thành phần: IP nguồn và đích, cổng UDP nguồn và đích và giao thức. Tuy nhiên, và như mong đợi, ECMP đã mang lại hiệu suất kém cho khối lượng công việc huấn luyện do độ hỗn loạn luồng thấp.</p>

<p>Ngoài ra, chúng tôi đã thiết kế và triển khai lược đồ ghim đường dẫn trong những năm đầu triển khai. Lược đồ này định tuyến các gói tin đến các đường dẫn cụ thể dựa trên lát đích (chỉ số của đường xuống RTSW). Điều này hoạt động tốt nếu mỗi rack được chỉ định đầy đủ cho cùng một công việc và không có lỗi nào trong mạng. Tuy nhiên, điều này hiếm khi đúng. Chúng tôi thấy rằng rack có thể được phân bổ một phần cho một công việc, chỉ có một trong hai máy chủ trong rack sử dụng băng thông đường lên. Việc vị trí công việc bị phân mảnh này gây ra phân phối lưu lượng không đồng đều và tắc nghẽn trên đường lên của RTSW cụ thể và làm giảm hiệu suất đào tạo lên tới hơn 30%. Hơn nữa, lỗi mạng trên đường lên hoặc CTSW khiến các luồng bị ảnh hưởng được chỉ định lại không đồng đều cho các CTSW khác bởi ECMP. Những luồng được chỉ định lại đó đã va chạm với các luồng hiện có khác và làm chậm toàn bộ công việc huấn luyện.</p>

<p>Chúng tôi đã giảm thiểu tác động tức thời của các va chạm luồng này bằng cách nâng cấp băng thông của băng thông đường lên RTSW lên gấp 2 lần. Do đó, chúng tôi đã cho phép dung lượng đường lên RTSW được đăng ký chưa đủ 1:2 so với dung lượng đường xuống RTSW. Mặc dù điều này đã giảm thiểu tác động đến hiệu suất tức thời, nhưng đây là một giải pháp tốn kém vì nó yêu cầu dung lượng mạng gấp 2 lần. Do đó, chúng tôi đã nhận ra đây là một biện pháp giảm thiểu ngắn hạn và tiến hành các giai đoạn tiếp theo của quá trình phát triển định tuyến.</p>

<h4 id='cân-bằng-hàng-đợi'>Cân bằng hàng đợi (Queue pair scaling)</h4>

<p>Tiếp theo, chúng tôi đã xem xét lại ECMP với mục đích tăng số lượng luồng cho các tập thể phân cấp thông qua tính năng phần mềm mở rộng quy mô cặp hàng đợi (QP) trong thư viện tập thể.</p>

<p>Để giải thích cho điều này, chúng tôi đã định cấu hình các bộ chuyển mạch để thực hiện ECMP nâng cao (E-ECMP) để băm thêm vào trường QP đích của gói RoCE bằng cách sử dụng khả năng UDF của ASIC chuyển đổi. Điều này đã làm tăng entropy và, so với ECMP cơ sở mà không cần mở rộng quy mô QP, chúng tôi quan sát thấy rằng E-ECMP cùng với việc mở rộng quy mô QP cho thấy hiệu suất được cải thiện lên đến 40% cho tập thể AllReduce.</p>

<p>Chúng tôi đã đánh giá hai chiến lược mở rộng quy mô QP. Cách đầu tiên liên quan đến việc chia mỗi thông báo có nghĩa là được đăng trên một QP duy nhất, thay vào đó là nhiều QP dẫn đến nhiều luồng. Nhưng nó cũng tạo ra kích thước thông báo nhỏ hơn trên kết cấu cũng như nhiều ACK. Cách tiếp cận thứ hai liên quan đến việc đăng từng thông báo vào một hàng đợi khác nhau, theo kiểu Round-robin. Đối với kích thước thông báo NIC được thể hiện trong quá trình sản xuất của chúng tôi với NCCL, chúng tôi quan sát thấy cách thứ hai hoạt động tốt. Tính năng này rất quan trọng đối với khả năng mở rộng ECMP bằng cách tăng lưu lượng mạng cho các tập thể phân cấp như AllReduce.</p>

<p>Mặc dù chúng tôi đã cải thiện hiệu suất ECMP với việc mở rộng quy mô QP, nhưng bản chất xác suất cơ bản của hàm băm là nhược điểm dai dẳng của lược đồ định tuyến này. Ngoài ra, nhu cầu tùy chỉnh hệ số масштабирования QP và phương pháp dựa trên loại khối lượng công việc, trong khi có thể hoạt động trong ngắn hạn, đã tạo ra sự phức tạp về hoạt động lâu dài.</p>

<h3 id='kiểm-soát-tắc-nghẽn'>Kiểm soát tắc nghẽn</h3>

<h4 id='dcqcn'>DCQCN</h4>

<p>Khi chúng tôi chuyển sang triển khai 400G, chúng tôi đã cố gắng điều chỉnh DCQCN để điều chỉnh tốc độ mạng và cấu trúc liên kết mới. Tuy nhiên, với cài đặt DCQCN mặc định và ngưỡng ECN tăng gấp đôi so với mạng 200G, hiệu suất đã bị giảm sút. Điều tra thêm cho thấy việc triển khai DCQCN trong phần sụn đã thay đổi, tạo ra lỗi và giảm khả năng hiển thị với các sự cố liên quan đến việc đếm CNP chính xác.</p>

<p>Chúng tôi đã tiến hành mà không có DCQCN cho các triển khai 400G của chúng tôi. Tại thời điểm này, chúng tôi đã có hơn một năm kinh nghiệm chỉ với PFC để kiểm soát luồng, không có bất kỳ kiểm soát tắc nghẽn cấp độ truyền tải nào khác. Chúng tôi đã quan sát thấy hiệu suất ổn định và không có tắc nghẽn liên tục đối với các tập thể huấn luyện.</p>

<h4 id='nhập-lưu-lượng-hướng-người-nhận'>Nhập lưu lượng hướng người nhận</h4>

<p>Để giảm thiểu tắc nghẽn cho 400G trở lên, chúng tôi đã đồng thiết kế thư viện tập thể và truyền tải RoCE để thực thi quyền truy cập lưu lượng do người nhận điều khiển để có hiệu suất tốt hơn. Biểu đồ bên dưới cho thấy kiến trúc giao tiếp GPU-to-GPU trong các cụm huấn luyện sản xuất của chúng tôi chủ yếu sử dụng sao chép hai giai đoạn và giao tiếp do người nhận khởi tạo thông qua thư viện tập thể NCCL. Bộ nhớ băng thông cao (HBM) của mỗi GPU duy trì nhiều kênh để truyền tải song song các thông báo tập thể được chia thành khối. Các luồng GPU của người gửi trước tiên sao chép dữ liệu từ bộ đệm tính toán sang bộ đệm kênh khả dụng. Luồng proxy CPU của người gửi chỉ có thể đăng yêu cầu ghi RDMA sau khi nhận được gói clear-to-send (CTS) từ người nhận, bao gồm thông tin về kích thước và bộ nhớ. Sau đó, các luồng GPU của người nhận sao chép nội dung bộ đệm kênh vào bộ đệm tính toán đích. Cuối cùng, các luồng proxy CPU ở cả hai bên tái chế bộ đệm kênh và proxy CPU của người nhận gửi một gói CTS khác sau khi bộ đệm kênh sẵn sàng.</p>

<p>Chúng tôi tận dụng hiệu quả cơ chế này như một phương thức nhập lưu lượng do người nhận điều khiển để hạn chế lượng lưu lượng đang bay trên mạng, đặc biệt là khi bắt đầu xuất hiện tắc nghẽn. Tuy nhiên, việc định cấu hình cài đặt phù hợp có thể là một thách thức vì:</p>

<ul>
  <li>Số lượng kênh bị hạn chế do tranh chấp tài nguyên trên các luồng GPU với các hoạt động tính toán đồng thời;</li>
  <li>Việc đặt kích thước bộ đệm kênh yêu cầu sự cân bằng cẩn thận hơn giữa việc lan truyền tắc nghẽn và sử dụng băng thông kém hơn so với Infiniband do kiểm soát luồng chi tiết hơn của RoCE và khả năng chậm của máy chủ cuối.</li>
</ul>

<p>Do đó, chúng tôi đã thực hiện hai bước để cải thiện hiệu suất. Đầu tiên, chúng tôi đã xác định bằng thực nghiệm các cài đặt tham số phù hợp cho số lượng kênh và kích thước bộ đệm kênh trên các loại tập thể và kích thước công việc đào tạo khác nhau. Thứ hai, chúng tôi đã triển khai xếp hàng ưu tiên cao tại các bộ chuyển mạch cho các gói CTS để xúc tiến các thông báo và giảm thiểu khả năng thiếu hụt băng thông.</p>

<p>Kiểm soát tắc nghẽn là trọng tâm nghiên cứu trong mạng RDMA. DCQCN là tiêu chuẩn vàng cho các mạng tập trung vào lưu trữ. Tuy nhiên, kinh nghiệm của chúng tôi với khối lượng công việc huấn luyện AI phân tán cung cấp một quan điểm khác về việc điều chỉnh các thuật toán kiểm soát tắc nghẽn. Mặc dù đã tắt DCQCN và nhiều trường hợp RTSW gửi PFC đến CTSW bộ đệm sâu, nhưng chúng tôi vẫn chưa gặp phải trường hợp nào trong bốn năm qua, khi lưu lượng truy cập huấn luyện AI sản xuất khiến CTSW gửi PFC đến RTSW một cách liên tục.</p>

<p>Giải pháp hiện tại của chúng tôi phụ thuộc vào sự phối hợp cẩn thận giữa thư viện giao tiếp tập thể và mạng. Nó có thể phụ thuộc vào thông lượng tương đối giữa GPU và mạng, điều này có thể không áp dụng cho mọi trường hợp. Chúng tôi khuyến khích cộng đồng nghiên cứu tập trung hơn vào chủ đề này.</p>

<h3 id='hướng-phát-triển'>Hướng phát triển</h3>

<p>Việc thiết kế và vận hành mạng RoCE quy mô lớn cho khối lượng công việc huấn luyện AI phân tán đã phát triển để đáp ứng nhu cầu ngày càng tăng về mật độ và quy mô tính toán. Bằng cách tách biệt các mạng FE và BE, sử dụng các lược đồ định tuyến khác nhau và tối ưu hóa các mẫu lưu lượng tập thể, chúng tôi đã có thể xây dựng một cơ sở hạ tầng mạng hiệu suất cao và đáng tin cậy. Những thiết kế và hiểu biết sâu sắc này nhấn mạnh tầm quan trọng của việc hiểu sâu sắc khối lượng công việc đào tạo và chuyển những hàm ý này thành thiết kế thành phần mạng, cuối cùng góp phần vào sự tiến bộ của cơ sở hạ tầng đào tạo AI phân tán.</p>

<p>Với xu hướng phát triển nhanh chóng của khối lượng công việc GenAI, cơ sở hạ tầng mạng của chúng tôi sẽ phát triển nhanh chóng.</p>

<p>Bài báo này đã giới thiệu về mạng RoCE được sử dụng để huấn luyện AI phân tán quy mô lớn tại Meta. Chúng tôi đã thảo luận về những thách thức trong việc xây dựng một mạng như vậy và các giải pháp được triển khai để giải quyết các vấn đề về cấu trúc liên kết, định tuyến và kiểm soát tắc nghẽn. </p>

<p>Với sự phát triển không ngừng của AI, chúng tôi tin rằng việc chia sẻ kinh nghiệm và giải pháp của mình sẽ đóng góp tích cực vào cộng đồng nghiên cứu và thúc đẩy sự đổi mới trong lĩnh vực mạng lưới AI.</p>

Mạng RoCE cho huấn luyện AI phân tán quy mô lớn tại Meta

Mạng RoCE cho huấn luyện AI phân tán quy mô lớn tại Meta Mục lục Giới thiệu Kiến trúc mạng Sự phân tách ...

tháng 8 07, 2024

Perplexity Chia Sẻ Doanh Thu Quảng Cáo, Hợp Tác Cùng Các Nhà Xuất Bản

<h2>Perplexity Chia Sẻ Doanh Thu Quảng Cáo, Hợp Tác Cùng Các Nhà Xuất Bản</h2>

<h3>Mục lục</h3>
<ul>
  <li>Chia sẻ Doanh Thu và Hỗ Trợ Phát Triển</li>
  <li>Lợi Ích Cho Nhà Xuất Bản</li>
  <li>Mô Hình Quảng Cáo Mới</li>
  <li>Đối Tác và Tầm Nhìn Tương Lai</li>
  <li>Cạnh Tranh Nảy Lửa Trên Thị Trường Tìm Kiếm AI</li>
</ul>

<p>Ứng dụng tìm kiếm AI Perplexity đã xác nhận sẽ chia sẻ doanh thu quảng cáo với các nhà xuất bản tin tức khi bài viết của họ xuất hiện trong kết quả tìm kiếm của người dùng. Đây là một phần trong chương trình Publishers' Program được Perplexity ra mắt vào tuần trước, nhằm đảm bảo các nhà xuất bản nhận được hỗ trợ tài chính xứng đáng khi nội dung của họ được sử dụng.</p>

<h3>Chia sẻ Doanh Thu và Hỗ Trợ Phát Triển</h3>

<p>Theo chương trình này, các doanh nghiệp có thể trả phí để nội dung của họ được hiển thị trong các vị trí quảng cáo mới xung quanh tính năng theo dõi liên quan trên ứng dụng. Khi những quảng cáo này tạo ra doanh thu từ tương tác có liên quan đến nội dung của nhà xuất bản, nhà xuất bản sẽ được hưởng một phần lợi nhuận.</p>

<p>Ngoài việc được chia sẻ doanh thu, các nhà xuất bản tham gia chương trình còn được hưởng một số lợi ích hấp dẫn khác, bao gồm:</p>

<ul>
  <li>Truy cập miễn phí vào API của Perplexity, cho phép họ xây dựng công cụ trả lời tìm kiếm tùy chỉnh cho trang web của mình.</li>
  <li>Truy cập miễn phí vào phiên bản Perplexity Pro dành cho doanh nghiệp trong vòng một năm.</li>
  <li>Tiếp cận các phân tích hiệu suất nội dung trên Perplexity thông qua sự hợp tác với ScalePost.ai - nền tảng cung cấp phân tích AI cho nhà xuất bản.</li>
</ul>

<h3>Mô Hình Quảng Cáo Mới</h3>

<p>Việc ra mắt Publishers' Program cũng đánh dấu lần đầu tiên ứng dụng tìm kiếm AI Perplexity hiển thị quảng cáo. Trước đây, Perplexity chủ yếu dựa vào hình thức đăng ký trả phí cho phiên bản cao cấp với mức giá 20 đô la mỗi tháng, cung cấp cho người đăng ký khả năng tìm kiếm AI nâng cao.</p>

<p>Bản cập nhật sắp tới sẽ bao gồm quảng cáo hiển thị trong các tìm kiếm liên quan. Ví dụ: nếu người dùng tìm kiếm nhà hàng trong thành phố, một chuỗi nhà hàng có thể trả tiền để quảng cáo của họ được hiển thị trong phần tìm kiếm liên quan. Khi người dùng nhấp vào quảng cáo, cả ứng dụng và nhà xuất bản có nội dung được đề xuất trong kết quả tìm kiếm đều sẽ tạo ra doanh thu.</p>

<h3>Đối Tác và Tầm Nhìn Tương Lai</h3>

<p>Time, Fortune, Entrepreneur và WordPress là một số nhà xuất bản đầu tiên tham gia và được hưởng lợi từ chương trình này. Perplexity cũng đang xem xét hợp tác với các nhà xuất bản để cung cấp gói đăng ký kết hợp, cho phép người dùng trả một mức phí cố định cho cả Perplexity Pro và đăng ký của các nhà xuất bản tham gia.</p>

<h3>Cạnh Tranh Nảy Lửa Trên Thị Trường Tìm Kiếm AI</h3>

<p>Bản cập nhật được đưa ra trong bối cảnh Perplexity đang trên đà phát triển mạnh mẽ. Vào tháng 4, giá trị của công ty đã tăng vọt lên 1 tỷ USD sau khi nhận được khoản đầu tư mới từ Jeff Bezos, Nvidia và cựu giám đốc AI của Tesla, Andrej Karpathy. Perplexity gần đây cũng đã hợp tác với SoftBank để mang ứng dụng tìm kiếm AI của mình đến với người dùng mới.</p>

<p>Tuy nhiên, Perplexity có thể sẽ sớm phải đối mặt với một đối thủ đáng g nờm là SearchGPT - tính năng tìm kiếm mới của ChatGPT do OpenAI phát triển, cho phép người dùng tìm kiếm trên web bằng ngôn ngữ tự nhiên, dạng hội thoại. Cuộc cạnh tranh giữa các ứng dụng tìm kiếm AI hứa hẹn sẽ ngày càng trở nên khốc liệt trong thời gian tới.</p>

Perplexity Chia Sẻ Doanh Thu Quảng Cáo, Hợp Tác Cùng Các Nhà Xuất Bản

Perplexity Chia Sẻ Doanh Thu Quảng Cáo, Hợp Tác Cùng Các Nhà Xuất Bản Mục lục Chia sẻ Doanh Thu và Hỗ Trợ Phát Triển Lợi Ích Cho N...

tháng 8 07, 2024

Ba Tư Tưởng Quan Trọng Nhất Trong 900 Bài Viết Trên Forbes Của Tôi

Google Vẫn Thống Trị Thị Trường Tìm Kiếm Dù Đối Mặt Sóng Gió Từ AI

Xây dựng mạng lưới AI quy mô lớn tại Meta: Hành trình chinh phục thách thức

Perplexity - Ứng dụng tìm kiếm AI chia sẻ doanh thu quảng cáo với các nhà xuất bản

Mạng RoCE cho huấn luyện AI phân tán quy mô lớn tại Meta

Perplexity Chia Sẻ Doanh Thu Quảng Cáo, Hợp Tác Cùng Các Nhà Xuất Bản

Bài đăng phổ biến

Labels