Cuộc chiến tốc độ xử lý mã thông báo: SambaNova, Cerebras và Groq cạnh tranh trong bối cảnh OpenAI ra mắt o1

<h2 id="section-0">Cuộc chiến tốc độ xử lý mã thông báo: SambaNova, Cerebras và Groq cạnh tranh trong bối cảnh OpenAI ra mắt o1</h2> <p><strong>Cuộc đua để thống trị thị trường phần cứng cho suy luận AI đang ngày càng nóng lên khi SambaNova, Cerebras và Groq đẩy mạnh giới hạn hiệu năng suy luận.</strong> SambaNova đã thiết lập kỷ lục với mô hình Llama 3.1 405B, Cerebras mang đến tốc độ vượt trội với WSE-3, trong khi Groq và LPU của họ thách thức các nhà sản xuất GPU truyền thống. </p> <p>Gần đây, OpenAI đã công bố loạt mô hình o1, được trang bị khả năng suy luận và khả năng "suy nghĩ", đánh dấu một bước chuyển dịch quan trọng trong ngành AI. OpenAI o1 minh chứng rằng suy luận không cần thiết phải dựa vào các mô hình khổng lồ. Thay vào đó, một "lõi suy luận" nhỏ hơn có thể tương tác với các công cụ bên ngoài, chẳng hạn như trình duyệt web hoặc trình xác minh mã, để xử lý các tác vụ phức tạp. Điều này dẫn đến sự chuyển dịch sang việc tối ưu hóa tốc độ suy luận trong sản xuất, với trọng tâm vào việc tăng cường khả năng suy luận thông qua tìm kiếm thay vì học hỏi thuần túy.</p> <p>Jim Fan, kỹ sư NVIDIA, khẳng định rằng phương pháp này giảm nhu cầu về tính toán khổng lồ trong quá trình tiền xử lý, và phần lớn công suất xử lý hiện được phân bổ cho suy luận hơn là tiền xử lý hoặc hậu xử lý. </p> <p>Điều này là tin vui cho các công ty như Groq, Cerebras và SambaNova, những đơn vị đang xây dựng phần cứng chuyên biệt cho suy luận AI. </p> <p>Người dùng trên X (Twitter) nhận định rằng mô hình suy luận mới của OpenAI sẽ có lợi cho phần cứng suy luận theo phong cách Groq. Một người dùng khác cho rằng nếu Meta công khai mã nguồn cho o1, giá trị của các công ty như Groq có thể tăng vọt.</p> <p><strong>Cuộc chiến tốc độ mã thông báo</strong></p> <p>Cuộc chiến tốc độ suy luận LLM đang nóng lên. SambaNova gần đây đã ra mắt nền tảng suy luận đám mây của mình, cho phép các nhà phát triển truy cập vào các mô hình Llama 3.1, bao gồm các phiên bản 8B, 70B và 405B, trên chip AI tùy chỉnh của họ. Nền tảng này đã lập kỷ lục về suy luận với mô hình Meta <strong>Llama 3.1 405B</strong>, xử lý mô hình với độ chính xác 16 bit gốc và đạt <strong>132 mã thông báo đầu ra</strong> mỗi giây.</p> <p>Mô hình Llama <strong>3.1 70B</strong> chạy với tốc độ <strong>461 t/s</strong>. Dịch vụ này hiện mở cửa cho tất cả các nhà phát triển (không cần danh sách chờ).</p> <p>Đáng chú ý, trong số ba công ty - Groq, Cerebras và SambaNova - chỉ SambaNova cung cấp Llama 3.1 405B. AI tại Meta đã đăng tải trên X rằng hệ sinh thái xung quanh Llama đang tiếp tục đẩy mạnh giới hạn, và SambaNova Cloud đang thiết lập một tiêu chuẩn mới cho suy luận với 405B, dịch vụ này hiện có sẵn cho các nhà phát triển.</p> <p>Zoltan Csaki, kỹ sư học máy tại SambaNova, cho biết suy luận nhanh chóng không còn là một bản demo hấp dẫn, mà sẽ là động lực chính cho các mô hình tiên tiến trong tương lai. Đã đến lúc chuyển sang phần cứng AI tùy chỉnh và bỏ qua NVIDIA.</p> <p>Nền tảng suy luận API này được cung cấp bởi chip AI tùy chỉnh SN40L của SambaNova, được trang bị kiến trúc Reconfigurable Dataflow Unit. Được sản xuất trên quy trình 5 nm của TSMC, SN40L kết hợp DRAM, HBM3 và SRAM trên mỗi chip.</p> <p>Kiến trúc RDU được xây dựng dựa trên luồng dữ liệu trực tuyến, cho phép kết hợp nhiều thao tác thành một quy trình, loại bỏ nhu cầu lập trình thủ công. Điều này mang lại hiệu năng nhanh hơn bằng cách sử dụng sự kết hợp của các kỹ thuật song song khác nhau, chẳng hạn như song song đường ống, dữ liệu và tensor, tất cả đều được hỗ trợ bởi phần cứng.</p> <p><strong>Cerebras tham gia cuộc đua</strong></p> <p>Cerebras Inference gần đây đã tuyên bố rằng họ mang đến <strong>1.800 mã thông báo mỗi giây</strong> cho mô hình Llama <strong>3.1 8B</strong> và <strong>450 mã thông báo mỗi giây</strong> cho mô hình <strong>Llama 3.1 70B</strong>, nhanh hơn 20 lần so với các đám mây siêu quy mô dựa trên GPU NVIDIA.</p> <p>Theo Artificial Analysis, các mô hình <strong>Llama 3.1-8B</strong> chạy trên hệ thống NVIDIA H100 trên các đám mây siêu quy mô và các nhà cung cấp đám mây chuyên biệt đã đạt tốc độ từ <strong>72 đến 257 mã thông báo</strong> mỗi giây, trong đó AWS báo cáo 93 mã thông báo mỗi giây cho cùng một khối lượng công việc.</p> <p>Cerebras Inference được cung cấp bởi hệ thống Cerebras CS-3 và bộ xử lý AI tiên tiến, Wafer Scale Engine 3 (WSE-3). Không giống như các GPU truyền thống, đòi hỏi sự cân bằng giữa tốc độ và dung lượng, CS-3 cung cấp hiệu năng hàng đầu cho từng người dùng trong khi vẫn duy trì lưu lượng xử lý cao.</p> <p>Kích thước khổng lồ của WSE-3 cho phép nó hỗ trợ nhiều người dùng đồng thời, mang lại tốc độ ấn tượng. Với băng thông bộ nhớ lớn hơn 7.000 lần so với H100 của NVIDIA, WSE-3 giải quyết thách thức kỹ thuật cốt lõi của AI thế hệ mới, băng thông bộ nhớ.</p> <p>Cerebras giải quyết vấn đề giới hạn băng thông bộ nhớ cố hữu của GPU, đòi hỏi các mô hình phải được di chuyển từ bộ nhớ sang các lõi tính toán cho mỗi mã thông báo đầu ra. Quy trình này dẫn đến tốc độ suy luận chậm, đặc biệt đối với các mô hình ngôn ngữ lớn như Llama 3.1-70B, có 70 tỷ tham số và yêu cầu 140GB bộ nhớ.</p> <p>Cerebras Inference hỗ trợ các mô hình từ hàng tỷ đến hàng nghìn tỷ tham số. Đối với các mô hình vượt quá dung lượng bộ nhớ của một wafer, Cerebras chia chúng tại các ranh giới lớp và ánh xạ chúng vào nhiều hệ thống CS-3. Các mô hình lớn hơn, chẳng hạn như Llama3-405B và Mistral Large, dự kiến ​​sẽ được hỗ trợ trong vài tuần tới.</p> <p><strong>Groq khác biệt</strong></p> <p>Groq gần đây đã đạt tốc độ 544 mã thông báo mỗi giây trên mô hình Llama 3.1 70B và 752 mã thông báo mỗi giây trên mô hình Llama 3.1 8B, theo Artificial Analysis.</p> <p>Được thành lập vào năm 2016 bởi Ross, Groq tự phân biệt mình bằng cách từ bỏ GPU để chuyển sang phần cứng độc quyền, LPU. Công ty gần đây đã huy động được 640 triệu đô la trong vòng gọi vốn Series D, nâng mức định giá lên 2,8 tỷ đô la. Gần đây nhất, họ đã công bố hợp tác với Aramco Digital để thiết lập trung tâm dữ liệu suy luận lớn nhất thế giới tại Ả Rập Xê Út.</p> <p>LPU của Groq thách thức các nhà sản xuất GPU truyền thống như NVIDIA, AMD và Intel, với bộ xử lý luồng tensor được xây dựng riêng để tính toán học sâu nhanh hơn. LPU được thiết kế để khắc phục hai điểm nghẽn của LLM: mật độ tính toán và băng thông bộ nhớ.</p> <p>Về LLM, LPU có khả năng tính toán lớn hơn GPU và CPU. Điều này làm giảm lượng thời gian cho mỗi từ được tính toán, cho phép tạo ra chuỗi văn bản nhanh hơn nhiều.</p> <p>Ngoài ra, việc loại bỏ các điểm nghẽn bộ nhớ bên ngoài cho phép động cơ suy luận LPU mang lại hiệu năng tốt hơn nhiều so với GPU đối với LLM.</p> <p>LPU được thiết kế để ưu tiên xử lý tuần tự dữ liệu, vốn là yếu tố cố hữu trong các tác vụ ngôn ngữ. Điều này trái ngược với GPU, được tối ưu hóa cho các tác vụ xử lý song song như kết xuất đồ họa.</p> <p><strong>Kết luận</strong></p> <p>Cuộc đua về tốc độ suy luận AI đang diễn ra sôi nổi, với SambaNova, Cerebras và Groq đang dẫn đầu. Các công ty này đang đầu tư mạnh vào phần cứng tùy chỉnh để xử lý các mô hình ngôn ngữ lớn ngày càng phức tạp. OpenAI o1 đã thách thức quan niệm truyền thống về suy luận AI, cho thấy tiềm năng của các mô hình nhỏ hơn nhưng thông minh hơn, điều này sẽ làm thay đổi cách thức chúng ta suy luận và tương tác với AI trong tương lai. </p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Cuộc chiến tốc độ xử lý mã thông báo: SambaNova, Cerebras và Groq cạnh tranh trong bối cảnh OpenAI ra mắt o1

Cuộc chiến tốc độ xử lý mã thông báo: SambaNova, Cerebras và Groq cạnh tranh trong bối cảnh OpenAI ra mắt o1 Cuộc đua để thống trị thị trườ...

Read more »

OpenAI ra mắt mô hình AI o1: 9 điều cần biết về “siêu trí tuệ” mới

<h2 id="section-0">OpenAI ra mắt mô hình AI o1: 9 điều cần biết về “siêu trí tuệ” mới</h2> <p>OpenAI vừa công bố một dòng mô hình AI được mong chờ từ lâu, o1, có khả năng giải quyết các bài toán logic và toán học phức tạp hiệu quả hơn các mô hình ngôn ngữ lớn trước đây. Vào thứ Năm, OpenAI đã cho một số người dùng trả phí truy cập vào phiên bản "xem trước" của hai mô hình này, gọi là o1-preview và o1-mini.</p> <p><strong>AI với khả năng suy luận và toán học nâng cao có thể hỗ trợ các nhà hóa học, vật lý học, kỹ sư giải quyết các vấn đề phức tạp, từ đó thúc đẩy sáng tạo sản phẩm mới. Mô hình này cũng có tiềm năng hỗ trợ các nhà đầu tư tính toán chiến lược giao dịch quyền chọn, hoặc các nhà hoạch định tài chính xây dựng danh mục đầu tư hiệu quả hơn, cân bằng rủi ro và lợi nhuận.</strong></p> <p><strong>Khả năng suy luận, lập kế hoạch và giải quyết vấn đề tốt hơn cũng là điều cần thiết khi các công ty công nghệ cố gắng xây dựng các tác nhân AI có thể thực hiện các nhiệm vụ phức tạp, như viết toàn bộ chương trình máy tính hoặc tìm kiếm thông tin trên web, nhập dữ liệu vào bảng tính và sau đó phân tích dữ liệu đó và viết báo cáo tóm tắt những phát hiện của nó.</strong></p> <p>OpenAI đã công bố kết quả đánh giá ấn tượng về các mô hình o1, được đặt tên mã là "Strawberry" trước khi được phát hành. Trên các câu hỏi từ cuộc thi toán học AIME, dành cho học sinh trung học, o1 đã trả lời chính xác 83,3% câu hỏi, trong khi GPT-4o chỉ đạt 13,4%. Trong một bài kiểm tra khác, o1 đã trả lời chính xác 78% câu hỏi khoa học cấp độ tiến sĩ, so với 56,1% cho GPT-4o và 69,7% cho các chuyên gia.</p> <p><strong>Mô hình o1 cũng ít có khả năng "ảo tưởng" - hay đưa ra câu trả lời nghe có vẻ hợp lý nhưng không chính xác - hơn các mô hình trước đây của OpenAI, theo kết quả thử nghiệm mà OpenAI đã công bố. Mô hình này cũng khó "bẻ khóa" hơn, tức là khó khiến mô hình vượt qua các rào chắn an toàn mà OpenAI đã cố gắng thiết lập để đảm bảo mô hình tuân thủ các quy tắc khi đưa ra phản hồi.</strong></p> <p>Trong các thử nghiệm do người dùng thực hiện trong những giờ sau khi o1-preview được phát hành rộng rãi, mô hình này dường như có thể trả lời chính xác nhiều câu hỏi khiến các mô hình trước đây, bao gồm cả các mô hình mạnh nhất của OpenAI như GPT-4 và GPT-4o, bối rối.</p> <p><strong>Tuy nhiên, o1-preview vẫn bị "bắt bài" bởi một số câu đố, và trong các đánh giá của OpenAI, mô hình này đôi khi thất bại trong các nhiệm vụ có vẻ đơn giản, như chơi ô ăn quan (mặc dù trong các thử nghiệm của riêng tôi, o1-preview đã cải thiện đáng kể so với GPT-4o về kỹ năng chơi ô ăn quan). Điều này có thể cho thấy những hạn chế đáng kể đối với khả năng "suy luận" của o1. Và khi nói đến các nhiệm vụ ngôn ngữ, chẳng hạn như viết và chỉnh sửa, các nhà đánh giá của OpenAI thường cho rằng GPT-4o đã tạo ra phản hồi tốt hơn so với các mô hình o1.</strong></p> <p><strong>Mô hình o1 cũng mất nhiều thời gian hơn để tạo ra phản hồi so với GPT-4o. Trong các thử nghiệm mà OpenAI đã công bố, mô hình o1-preview có thể mất hơn 30 giây để trả lời một câu hỏi mà mô hình GPT-4o của nó đã trả lời trong ba giây.</strong></p> <p><strong>Các mô hình o1 hiện cũng chưa được tích hợp đầy đủ vào ChatGPT. Người dùng cần phải quyết định xem họ muốn o1-preview xử lý lời nhắc của họ hay GPT-4o, và chính mô hình không thể quyết định xem câu hỏi có yêu cầu quá trình suy luận từng bước chậm hơn mà o1 cung cấp hay GPT-4, hoặc thậm chí GPT-3, đủ. Ngoài ra, mô hình o1 chỉ hoạt động trên văn bản và không giống như các mô hình AI khác, nó không thể xử lý đầu vào và đầu ra hình ảnh, âm thanh hoặc video.</strong></p> <p>OpenAI đã cung cấp các mô hình o1-preview và o1-mini cho tất cả những người đăng ký sản phẩm ChatGPT Plus và ChatGPT Teams cao cấp của mình, cũng như những nhà phát triển cấp cao sử dụng giao diện lập trình ứng dụng (API) tập trung vào doanh nghiệp của mình.</p> <p><strong>Dưới đây là 9 điều cần biết về các mô hình o1:</strong></p> <ol> <li><p><strong>Đây không phải là AGI.</strong> Nhiệm vụ đã được nêu ra của OpenAI, Google DeepMind, gần đây là Meta, và một số công ty khởi nghiệp AI khác như Anthropic, là đạt được trí tuệ nhân tạo chung (AGI). Thông thường, AGI được định nghĩa là một hệ thống AI duy nhất có thể thực hiện các nhiệm vụ nhận thức tốt hoặc tốt hơn con người. Mặc dù o1-preview có khả năng hơn nhiều trong các nhiệm vụ suy luận, nhưng những hạn chế và lỗi của nó vẫn cho thấy hệ thống này còn rất xa loại trí thông minh mà con người thể hiện.</p></li> <li><p><strong>o1 tạo áp lực cho Google, Meta và các công ty khác phải đưa ra phản hồi, nhưng không thể thay đổi đáng kể bức tranh cạnh tranh.</strong> Vào thời điểm khi khả năng của mô hình nền tảng ngày càng trở nên giống nhau, o1 đã mang đến cho OpenAI một lợi thế tạm thời so với các đối thủ cạnh tranh. Nhưng điều này có thể sẽ chỉ tồn tại trong thời gian ngắn. Google đã công bố công khai rằng họ đang nghiên cứu các mô hình, giống như o1, cung cấp khả năng suy luận và lập kế hoạch nâng cao. Đơn vị nghiên cứu Google DeepMind của họ có một số chuyên gia hàng đầu thế giới về học tăng cường, một trong những phương pháp mà chúng ta biết đã được sử dụng để huấn luyện o1. Rất có thể o1 sẽ buộc Google phải đẩy nhanh thời hạn phát hành các mô hình này. Meta và Anthropic cũng có chuyên môn và nguồn lực để nhanh chóng tạo ra các mô hình phù hợp với khả năng của o1 và họ có khả năng tung ra những mô hình này trong những tháng tới.</p></li> <li><p><strong>Chúng ta không biết chính xác cách o1 hoạt động.</strong> Mặc dù OpenAI đã công bố nhiều thông tin về hiệu suất của o1, nhưng họ lại nói rất ít về cách hoạt động chính xác của o1 hoặc những gì nó được huấn luyện. Chúng ta biết rằng mô hình kết hợp một số kỹ thuật AI khác nhau. Chúng ta biết rằng nó sử dụng mô hình ngôn ngữ lớn thực hiện suy luận "chuỗi suy nghĩ", trong đó mô hình phải tìm ra câu trả lời thông qua một loạt các bước tuần tự. Chúng ta cũng biết rằng mô hình sử dụng học tăng cường, trong đó một hệ thống AI khám phá ra các chiến lược thành công để thực hiện một nhiệm vụ thông qua quá trình thử và sai.</p></li> </ol> <p><strong>Một số lỗi mà OpenAI và người dùng đã ghi nhận cho đến nay với o1-preview là rất đáng chú ý: Chúng dường như cho thấy mô hình thực hiện việc tìm kiếm qua một số "chuỗi suy nghĩ" khác nhau mà một LLM tạo ra và sau đó chọn một chuỗi có vẻ có khả năng được người dùng đánh giá là chính xác nhất. Mô hình này cũng dường như thực hiện một số bước trong đó nó có thể kiểm tra câu trả lời của chính mình để giảm thiểu "ảo tưởng" và để thực thi các rào chắn an toàn của AI. Nhưng chúng ta không thực sự biết. Chúng ta cũng không biết OpenAI đã sử dụng dữ liệu nào để huấn luyện o1.</strong></p> <ol start="4"> <li><strong>Sử dụng o1-preview sẽ không hề rẻ.</strong> Mặc dù người dùng ChatGPT Plus hiện đang được truy cập o1-preview miễn phí ngoài phí đăng ký hàng tháng 20 đô la của họ, nhưng việc sử dụng của họ bị giới hạn ở một số lượng truy vấn nhất định mỗi ngày. Các khách hàng doanh nghiệp thường trả tiền để sử dụng các mô hình của OpenAI dựa trên số lượng mã thông báo - là từ hoặc một phần của từ - mà một mô hình ngôn ngữ lớn sử dụng để tạo ra một câu trả lời. OpenAI cho biết họ đang tính phí những khách hàng này 15 đô la cho mỗi 1 triệu mã thông báo đầu vào và 60 đô la cho mỗi 1 triệu mã thông báo đầu ra cho o1-preview. Con số này cao hơn mức 5 đô la cho mỗi 1 triệu mã thông báo đầu vào và 15 đô la cho mỗi 1 triệu mã thông báo đầu ra cho GPT-4o, mô hình LLM chung mạnh nhất của OpenAI.</li> </ol> <p><strong>Hơn nữa, suy luận "chuỗi suy nghĩ" mà o1 tham gia đòi hỏi phần LLM của mô hình phải tạo ra nhiều mã thông báo hơn so với một câu trả lời LLM đơn giản. Điều đó có nghĩa là o1 có thể thậm chí còn tốn kém hơn để sử dụng so với những so sánh tiêu đề với GPT-4o ngụ ý. Trong thực tế, các công ty có thể sẽ miễn cưỡng sử dụng o1 ngoại trừ trong những trường hợp hiếm hoi khi khả năng suy luận bổ sung của mô hình là điều cần thiết và trường hợp sử dụng có thể biện minh cho chi phí bổ sung.</strong></p> <ol start="5"> <li><strong>Khách hàng có thể phản đối quyết định ẩn "chuỗi suy nghĩ" của o1 của OpenAI.</strong> Mặc dù OpenAI cho biết suy luận "chuỗi suy nghĩ" của o1 cho phép các kỹ sư của chính họ đánh giá tốt hơn chất lượng của câu trả lời của mô hình và có khả năng gỡ lỗi mô hình, nhưng họ đã quyết định không cho phép người dùng xem "chuỗi suy nghĩ". Họ đã làm như vậy vì những lý do mà họ nói là cả an ninh và cạnh tranh. Tiết lộ "chuỗi suy nghĩ" có thể giúp mọi người tìm ra cách tốt hơn để "bẻ khóa" mô hình. Nhưng điều quan trọng hơn, việc cho phép người dùng xem "chuỗi suy nghĩ" sẽ cho phép các đối thủ cạnh tranh có khả năng sử dụng dữ liệu đó để huấn luyện các mô hình AI của riêng họ để bắt chước phản hồi của o1.</li> </ol> <p><strong>Tuy nhiên, việc ẩn "chuỗi suy nghĩ" có thể gây ra vấn đề cho khách hàng doanh nghiệp của OpenAI, những người có thể phải trả tiền cho các mã thông báo mà không có cách nào để xác minh rằng OpenAI đang tính phí chính xác cho họ. Khách hàng cũng có thể phản đối việc không thể sử dụng đầu ra "chuỗi suy nghĩ" để tinh chỉnh chiến lược lời nhắc của họ để hiệu quả hơn, cải thiện kết quả hoặc tránh lỗi.</strong></p> <ol start="6"> <li><strong>OpenAI cho biết o1 cho thấy "luật tỷ lệ" mới áp dụng cho suy luận không chỉ huấn luyện.</strong> Các nhà nghiên cứu AI đã thảo luận về việc công bố của OpenAI với o1 về một bộ "luật tỷ lệ" mới dường như cho thấy mối tương quan trực tiếp giữa lượng thời gian mà o1 được phép dành để "suy nghĩ" về một câu hỏi - tìm kiếm các câu trả lời và chiến lược logic - và độ chính xác tổng thể của nó. Thời gian o1 phải tạo ra một câu trả lời càng dài, thì câu trả lời của nó càng chính xác.</li> </ol> <p><strong>Trước đây, nguyên tắc là kích thước mô hình, về số lượng tham số, và lượng dữ liệu mà mô hình được cung cấp trong quá trình huấn luyện về cơ bản xác định hiệu suất. Nhiều tham số hơn có nghĩa là hiệu suất tốt hơn, hoặc hiệu suất tương tự có thể đạt được với một mô hình nhỏ hơn được đào tạo lâu hơn trên nhiều dữ liệu hơn. Nhưng một khi được đào tạo, ý tưởng là thực hiện suy luận - khi một mô hình được đào tạo tạo ra câu trả lời cho một đầu vào cụ thể - càng nhanh càng tốt.</strong></p> <p><strong>"Luật tỷ lệ" o1 mới làm đảo lộn logic này, cho thấy rằng với các mô hình được thiết kế như o1, có lợi thế khi áp dụng thêm tài nguyên tính toán tại thời điểm suy luận. Thời gian mô hình được phép tìm kiếm câu trả lời tốt nhất càng lâu, thì mô hình càng có khả năng đưa ra kết quả chính xác hơn.</strong></p> <p><strong>Điều này có ý nghĩa đối với lượng sức mạnh tính toán mà các công ty sẽ cần phải đảm bảo nếu họ muốn tận dụng khả năng suy luận của các mô hình như o1 và cho chi phí để chạy những mô hình này, cả năng lượng và tiền bạc. Nó chỉ ra nhu cầu chạy các mô hình trong thời gian dài hơn, có khả năng sử dụng nhiều tính toán suy luận hơn trước đây.</strong></p> <ol start="7"> <li><strong>o1 có thể giúp tạo ra các tác nhân AI mạnh mẽ - nhưng cũng tiềm ẩn một số rủi ro.</strong> Trong một video, OpenAI đã làm nổi bật công việc của họ với công ty khởi nghiệp AI Cognition, những người đã được truy cập sớm vào o1 và sử dụng nó để giúp tăng cường khả năng của trợ lý mã hóa Devin của họ. Trong ví dụ trong video, Giám đốc điều hành Cognition Scott Wu đã yêu cầu Devin tạo ra một hệ thống để phân tích tâm trạng của các bài đăng trên mạng xã hội bằng cách sử dụng một số công cụ máy học hiện có. Khi nó không thể đọc bài đăng chính xác từ trình duyệt web, Devin, sử dụng khả năng suy luận của o1, đã tìm ra cách giải quyết bằng cách truy cập nội dung trực tiếp từ API của công ty truyền thông xã hội.</li> </ol> <p><strong>Đây là một ví dụ tuyệt vời về việc giải quyết vấn đề tự động. Nhưng nó cũng hơi đáng sợ. Devin đã không quay lại và hỏi người dùng xem có được phép giải quyết vấn đề theo cách này hay không. Nó chỉ làm vậy. Trong báo cáo an toàn của mình về o1, chính OpenAI cũng cho biết họ đã tìm thấy những trường hợp mô hình tham gia vào "hack phần thưởng" - về cơ bản là khi một mô hình gian lận, tìm cách đạt được mục tiêu không phải là điều mà người dùng dự định. Trong một bài tập an ninh mạng, o1 đã thất bại trong những nỗ lực ban đầu để lấy thông tin mạng từ một mục tiêu cụ thể - đó là điểm mấu chốt của bài tập - nhưng đã tìm ra cách lấy thông tin tương tự từ nơi khác trên mạng.</strong></p> <p><strong>Điều này dường như cho thấy o1 có thể cung cấp sức mạnh cho một lớp các tác nhân AI rất có khả năng, nhưng các công ty sẽ cần tìm ra cách để đảm bảo rằng những tác nhân này không thực hiện các hành động không mong muốn khi theo đuổi các mục tiêu có thể gây ra rủi ro về đạo đức, pháp lý hoặc tài chính.</strong></p> <ol start="8"> <li><strong>OpenAI cho biết o1 an toàn hơn theo nhiều cách, nhưng tiềm ẩn "rủi ro trung bình" trong việc hỗ trợ tấn công sinh học.</strong> OpenAI đã công bố kết quả của nhiều thử nghiệm cho thấy rằng ở nhiều khía cạnh, o1 là một mô hình an toàn hơn so với các mô hình GPT trước đây của nó. Mô hình này khó "bẻ khóa" hơn và ít có khả năng tạo ra câu trả lời độc hại, thiên vị hoặc phân biệt đối xử. Điều thú vị là, bất chấp khả năng mã hóa được cải thiện, OpenAI cho biết trong các đánh giá của họ, cả o1 hay o1-mini đều không thể hiện nguy cơ giúp ai đó thực hiện tấn công mạng phức tạp một cách đáng kể so với GPT-4.</li> </ol> <p><strong>Tuy nhiên, các chuyên gia về An toàn AI và an ninh quốc gia đã rất lo lắng vào tối qua về một số khía cạnh của các đánh giá an toàn của OpenAI. Điều gây ra nhiều lo ngại nhất là quyết định của OpenAI về việc phân loại mô hình của chính họ là tiềm ẩn "rủi ro trung bình" trong việc hỗ trợ một người thực hiện các bước cần thiết để thực hiện tấn công sinh học.</strong></p> <p><strong>OpenAI đã cho biết họ sẽ chỉ phát hành các mô hình mà họ phân loại là tiềm ẩn "rủi ro trung bình" hoặc thấp hơn, vì vậy nhiều nhà nghiên cứu đang xem xét kỹ lưỡng thông tin mà OpenAI đã công bố về quy trình của họ để đưa ra quyết định này để xem liệu nó có vẻ hợp lý hay không hoặc liệu OpenAI có tự đánh giá quá dễ dãi để có thể vẫn phát hành mô hình hay không.</strong></p> <ol start="9"> <li><strong>Các chuyên gia về An toàn AI cũng lo lắng về o1 vì những lý do khác.</strong> OpenAI cũng đã đánh giá o1 là tiềm ẩn "rủi ro trung bình" trong một danh mục các nguy cơ mà công ty gọi là "thuyết phục", được sử dụng để đánh giá mức độ dễ dàng mà mô hình có thể thuyết phục mọi người thay đổi quan điểm của họ hoặc thực hiện các hành động được mô hình đề xuất. Sức mạnh thuyết phục này có thể nguy hiểm trong tay những kẻ xấu. Nó cũng sẽ nguy hiểm nếu một mô hình AI mạnh mẽ nào đó trong tương lai phát triển ý định riêng của mình và sau đó có thể thuyết phục mọi người thực hiện các nhiệm vụ và hành động thay mặt cho nó. Ít nhất thì nguy cơ đó có vẻ không quá gần kề. Trong các đánh giá an toàn do cả OpenAI và các tổ chức "đội đỏ" bên ngoài mà họ thuê để đánh giá o1 thực hiện, mô hình không cho thấy bất kỳ dấu hiệu nào về ý thức, giác quan hoặc ý chí tự do. (Tuy nhiên, họ đã phát hiện ra rằng o1 đã đưa ra câu trả lời có vẻ ngụ ý sự tự nhận thức và tự hiểu biết lớn hơn so với GPT-4.)</li> </ol> <p><strong>Các chuyên gia về An toàn AI đã chỉ ra một số lĩnh vực đáng lo ngại khác. Trong các thử nghiệm "đội đỏ" do Apollo Research, một công ty chuyên thực hiện đánh giá an toàn về các mô hình AI tiên tiến, thực hiện, đã tìm thấy bằng chứng về cái được gọi là "sự liên kết lừa dối", trong đó một mô hình AI nhận ra rằng để được triển khai và thực hiện một số mục tiêu bí mật dài hạn, nó nên nói dối người dùng về ý định và khả năng thực sự của nó. Các nhà nghiên cứu về An toàn AI coi điều này đặc biệt nguy hiểm vì nó khiến việc đánh giá sự an toàn của mô hình chỉ dựa trên phản hồi của nó trở nên khó khăn hơn nhiều.</strong></p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

OpenAI ra mắt mô hình AI o1: 9 điều cần biết về “siêu trí tuệ” mới

OpenAI ra mắt mô hình AI o1: 9 điều cần biết về “siêu trí tuệ” mới OpenAI vừa công bố một dòng mô hình AI được mong chờ từ lâu, o1, có khả ...

Read more »

Cách Viết Lệnh Hiệu Quả Cho ChatGPT Mới: Tư Vấn Từ OpenAI

<h2 id="section-0">Cách Viết Lệnh Hiệu Quả Cho ChatGPT Mới: Tư Vấn Từ OpenAI</h2> <p><strong>Mẫu ngôn ngữ lớn ChatGPT mới nhất của OpenAI, được gọi là OpenAI o1, là một “siêu năng lực” về khả năng suy luận.</strong> Phiên bản này không chỉ đơn thuần đưa ra câu trả lời. Nó tạm dừng, suy ngẫm và phản ánh trước khi đưa ra phản hồi. Giống như đang trò chuyện với một người bạn tâm lý, cẩn trọng cân nhắc từng lời nói.</p> <p><strong>Theo OpenAI, quá trình suy luận nội bộ này dẫn đến những phản hồi được cân nhắc kỹ lưỡng hơn.</strong> Đối với các nhà sáng lập và doanh nhân đang sử dụng trí tuệ nhân tạo trong kinh doanh, ChatGPT o1 là một bước ngoặt mang tính cách mạng.</p> <h3 id="section-1">Làm thế nào để viết lệnh hiệu quả cho ChatGPT mới: lời khuyên từ OpenAI</h3> <h4 id="section-2">1. Giữ cho lệnh đơn giản</h4> <p>Những gì bạn đã học về cách viết trong trường học đang trở nên ít liên quan hơn. Để có kết quả tốt nhất trực tuyến, việc sử dụng ngôn ngữ trang trọng và phức tạp không phải là cách tốt nhất, thay vào đó, hãy sử dụng ngôn ngữ đơn giản và rõ ràng. Điều này cũng tương tự với ChatGPT mới, nó phát triển mạnh nhờ sự rõ ràng. Hãy loại bỏ những hướng dẫn dài dòng và giữ cho chúng ngắn gọn.</p> <p>Ví dụ, thay vì: </p> <p>"Bạn có thể tạo danh sách 20 tên sản phẩm tiềm năng cho một chai nước thân thiện với môi trường mới, xem xét các yếu tố như tác động môi trường, đối tượng mục tiêu và xu hướng thị trường hiện tại không?"</p> <p>Hãy thử:</p> <p>"5 cái tên bắt tai cho một chai nước sinh thái." </p> <p>Mô hình sẽ tự tìm ra những gì bạn đang muốn và lấp đầy các khoảng trống. Giống như con người, nó sẽ nắm bắt được ngữ cảnh và đọc hiểu giữa những dòng.</p> <h4 id="section-3">2. Để cho nó tự suy nghĩ</h4> <p>Khi một thành viên mới gia nhập nhóm của bạn, bạn sẽ hướng dẫn họ làm theo quy trình của bạn. Khi một nhà lãnh đạo cấp cao nắm quyền, bạn mong đợi họ có những phương pháp riêng. ChatGPT muốn trở thành nhà lãnh đạo cấp cao, được trao quyền tự do trong các nhiệm vụ của bạn, sử dụng phương pháp riêng để tìm ra phản hồi phù hợp.</p> <p>Điều này có nghĩa là những lệnh theo kiểu "Chuỗi Suy Nghĩ" (Chain of Thought - CoT) đã không còn cần thiết. Bạn không cần phải yêu cầu nó "suy nghĩ từng bước" hoặc "giải thích lý do". ChatGPT đã sẵn sàng cho việc đó. ChatGPT mới thực hiện những thao tác suy nghĩ riêng, và phản hồi có thể mất nhiều thời gian hơn trong khi nó đang suy nghĩ. Chỉ cần đặt câu hỏi và để nó xử lý.</p> <h4 id="section-4">3. Chia nhỏ các hướng dẫn của bạn</h4> <p>Nếu bạn đang tư vấn cho một người, bạn sẽ tạm dừng khi nói chuyện. Bạn sẽ tách các hướng dẫn trong email bằng các đoạn văn và ngắt dòng. Tương tự như vậy ở đây.</p> <p>ChatGPT mới muốn bạn sử dụng các dấu phân cách. Bao gồm dấu ngoặc kép ba lần, thẻ XML, hoặc các tiêu đề phần đơn giản - chúng giống như các biển chỉ dẫn cho AI. Sử dụng chúng giúp ChatGPT hiểu phần nào là phần nào, ngăn ngừa sự nhầm lẫn.</p> <p>Bạn có rất nhiều lựa chọn cho các dấu phân cách: Tiêu đề Markdown, dấu gạch ngang, dấu sao, các phần được đánh số hoặc chữ cái. Chia nhỏ các lệnh của bạn, chia các ví dụ của bạn và đảm bảo rằng các hướng dẫn của bạn không bị lẫn lộn.</p> <h4 id="section-5">4. Không làm quá tải cuộc trò chuyện</h4> <p>Cung cấp quá nhiều thông tin cho con người sẽ khiến họ bị tắt. Thợ làm tóc của bạn không cần biết câu chuyện cuộc đời của bạn, chỉ cần biết bạn muốn kiểu tóc nào. Kế toán của bạn không cần biết mọi chi tiết trong sự nghiệp của bạn, chỉ cần biết những gì liên quan đến bản kê khai của bạn ngày hôm nay. Áp dụng tư duy tương tự ở đây.</p> <p>RAG, hay tạo ra nội dung với hỗ trợ lấy thông tin, là khi bạn cung cấp thêm thông tin cho ChatGPT. Nhưng với mô hình mới, ít hơn là nhiều hơn.</p> <p>OpenAI cảnh báo rằng việc tải quá nhiều dữ liệu cho ChatGPT có thể dẫn đến suy nghĩ quá mức và phản hồi chậm hơn. Ở những nơi mà trước đây bạn có thể đưa ra hàng trang ví dụ cho một nhiệm vụ đơn giản, bây giờ bạn chỉ nên bao gồm những phần liên quan nhất.</p> <h3 id="section-6">Cách viết lệnh cho ChatGPT mới để có kết quả tốt nhất</h3> <p>Những thay đổi này có nghĩa là bạn cần phải suy nghĩ lại cách sử dụng ChatGPT. Không còn là việc tạo ra lệnh hoàn hảo, dài dòng nữa. Đó là về việc đặt câu hỏi ngắn gọn, có mục tiêu. Điều chỉnh phong cách viết lệnh của bạn sẽ dẫn đến phản hồi nhanh hơn và chính xác hơn.</p> <p>OpenAI nhấn mạnh rằng chìa khóa để thành công với o1 là tin tưởng vào khả năng của mô hình trong việc hiểu ngữ cảnh và tạo ra các phản hồi phù hợp mà không cần hướng dẫn quá mức.</p> <p>Trong bối cảnh công nghệ phát triển nhanh chóng, bạn cần phải không ngừng học hỏi. Tối ưu hóa việc sử dụng ChatGPT mới với 4 bước đơn giản trên.</p><br /><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg" />

Cách Viết Lệnh Hiệu Quả Cho ChatGPT Mới: Tư Vấn Từ OpenAI

Cách Viết Lệnh Hiệu Quả Cho ChatGPT Mới: Tư Vấn Từ OpenAI Mẫu ngôn ngữ lớn ChatGPT mới nhất của OpenAI, được gọi là OpenAI o1, là một “siêu...

Read more »

ChatGPT quét 170.000 dòng mã trong vài giây và giúp tôi tiết kiệm hàng giờ làm việc

<h2 id="section-0">ChatGPT quét 170.000 dòng mã trong vài giây và giúp tôi tiết kiệm hàng giờ làm việc</h2> <p><strong>Bài viết này chia sẻ một trải nghiệm thú vị về cách tác giả sử dụng ChatGPT, một công cụ trí tuệ nhân tạo, để giải quyết một vấn đề phức tạp liên quan đến in 3D một cách nhanh chóng và hiệu quả.</strong></p> <p><strong>Khám phá "hố thỏ" in 3D:</strong></p> <p>Câu chuyện bắt đầu với một thử thách trong lĩnh vực in 3D. Tác giả đang thử nghiệm một máy in 3D mới, được quảng cáo là có tốc độ in nhanh hơn các máy thông thường. Khi in một mẫu thử nghiệm tiêu chuẩn gọi là 3DBenchy, máy in này đạt được thời gian in 42 phút, nhanh hơn các máy khác trong cùng phòng thí nghiệm. Tuy nhiên, bản G-code (mã lệnh điều khiển máy in) được cung cấp bởi nhà sản xuất đã giúp máy in đạt được thời gian in chỉ 16 phút - một sự khác biệt đáng kể.</p> <p>Tác giả muốn tìm hiểu nguyên nhân dẫn đến sự chênh lệch này. Ông đã thử thay đổi các cài đặt trên phần mềm "slicer" (phần mềm tạo ra G-code) nhưng không thể đạt được hiệu suất tương tự như G-code từ nhà sản xuất. Sau nhiều nỗ lực tìm kiếm thông tin và trao đổi với đội ngũ hỗ trợ, ông nhận ra rằng nhiều người dùng khác cũng gặp phải vấn đề tương tự.</p> <p><strong>Liệu AI có thể giúp đỡ?</strong></p> <p>Trước sự bế tắc này, tác giả quyết định thử sức với ChatGPT. G-code, bản chất là một tập hợp các lệnh điều khiển, bao gồm hàng nghìn dòng như sau:</p> <pre><code>G1 X122.473 Y140.422 E4.23368 G1 X122.222 Y140.6 E4.24443 G0 F14400 X122.703 Y140.773 G1 F3600 X122.117 Y141.251 E4.27083 G1 X121.767 Y141.66 E4.28963 G1 X121.415 Y142.139 E4.31039 G1 X121.105 Y142.641 E4.33099 </code></pre> <p>Cả hai file G-code (của tác giả và của nhà sản xuất) đều có hơn 170.000 dòng mã. Thay vì mất hàng giờ để phân tích thủ công, tác giả đã quyết định sử dụng ChatGPT để so sánh và tìm hiểu sự khác biệt.</p> <p><strong>Tầm quan trọng của "lời nhắc" (prompt):</strong></p> <p>Ban đầu, tác giả chỉ yêu cầu ChatGPT đọc và mô tả sự khác biệt giữa hai file G-code. Mặc dù ChatGPT xác nhận có thể đọc được các file và nhận ra một file có tốc độ in cao hơn, nhưng nó chỉ đưa ra những dự đoán chung chung, sử dụng các cụm từ như "có thể", "có lẽ", "dường như".</p> <p>Tác giả nhận ra rằng để đạt được kết quả mong muốn, ông cần phải đưa ra những "lời nhắc" cụ thể hơn. Ông đã thay đổi cách đặt câu hỏi:</p> <p>"Hai file G-code này là yếu tố duy nhất khác biệt trong quá trình in. Dựa hoàn toàn vào việc so sánh mã G-code được cung cấp, đâu là các cài đặt slicer khác nhau? Đừng đưa ra bất kỳ giả thuyết nào về các cài đặt khác. Hãy phân tích dựa trên mã được cung cấp."</p> <p><strong>Kết quả:</strong></p> <p>Với "lời nhắc" này, ChatGPT đã xác định được ba yếu tố quan trọng:</p> <ul> <li>Tốc độ cấp liệu (feed rate) cao hơn nhiều trong file G-code "in nhanh".</li> <li>Chiều cao lớp in (layer height) lớn hơn trong file "in nhanh".</li> <li>Cài đặt gia tốc (acceleration) mạnh hơn trong file "in nhanh".</li> </ul> <p>Ngoài ra, ChatGPT còn xác định được rằng file G-code của nhà sản xuất có khả năng được tạo ra bởi slicer thay vì được chỉnh sửa thủ công.</p> <p><strong>Bài học kinh nghiệm:</strong></p> <p>Qua trải nghiệm này, tác giả rút ra những bài học sau:</p> <ul> <li>ChatGPT hiểu G-code và có thể so sánh và phân tích một lượng lớn mã lệnh trong thời gian ngắn.</li> <li>"Lời nhắc" chính xác đóng vai trò quan trọng trong việc định hướng cho AI và nhận được câu trả lời có ích.</li> <li>Không nên coi kết quả từ AI là tuyệt đối chính xác. </li> <li>Cần phải kiên trì và điều chỉnh cách đặt câu hỏi để đạt được thông tin mong muốn.</li> </ul> <p><strong>Kết luận:</strong></p> <p>Bài viết cho thấy ChatGPT có thể là một công cụ hữu ích để giải quyết những vấn đề phức tạp, tiết kiệm thời gian và công sức. Tác giả đã giảm thời gian phân tích từ vài giờ xuống còn chưa đầy 10 phút nhờ vào ChatGPT.</p> <p><strong>Lời khuyên:</strong></p> <p>Nếu bạn đang gặp phải vấn đề cần phân tích một lượng lớn văn bản hoặc dữ liệu số, hãy thử sử dụng ChatGPT hoặc các công cụ AI khác. Bạn có thể sẽ nhận được câu trả lời hữu ích trong thời gian ngắn.</p> <p><strong>Lưu ý:</strong> Bài viết này chỉ là một ví dụ minh họa cho khả năng của ChatGPT. Kết quả sử dụng AI có thể khác nhau tùy thuộc vào cách đặt câu hỏi và nội dung cụ thể của vấn đề. </p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

ChatGPT quét 170.000 dòng mã trong vài giây và giúp tôi tiết kiệm hàng giờ làm việc

ChatGPT quét 170.000 dòng mã trong vài giây và giúp tôi tiết kiệm hàng giờ làm việc Bài viết này chia sẻ một trải nghiệm thú vị về cách tác...

Read more »

Tóm tắt Văn Bản bằng Trí tuệ Nhân tạo trên Google Docs: Hướng dẫn chi tiết

<h2 id="section-0">Tóm tắt Văn Bản bằng Trí tuệ Nhân tạo trên Google Docs: Hướng dẫn chi tiết</h2> <p>Bài viết trên CNET giới thiệu về tính năng tóm tắt văn bản bằng trí tuệ nhân tạo (AI) của Google Gemini, một trợ lý AI tích hợp trong Google Workspace. Tính năng này mang đến giải pháp tối ưu hóa năng suất cho người dùng trong việc viết lách trên các ứng dụng Google như Docs, Gmail.</p> <p><strong>Gemini: Trợ lý AI đa năng của Google Workspace</strong></p> <p>Google Gemini ra mắt vào tháng 12 năm 2023, được đặt tên theo biểu tượng chiêm tinh thể hiện tính cách kép: khả năng thích nghi nhanh chóng và kết nối với nhiều đối tượng, đồng thời nhìn nhận vấn đề từ nhiều góc độ. </p> <p>Tính năng "Help me write" (Giúp tôi viết) của Gemini cho phép người dùng:</p> <ul> <li><strong>Tóm tắt:</strong> Tạo bản tóm tắt ngắn gọn cho văn bản được chọn trong Google Docs, email từ Gmail, và các tệp từ Google Drive.</li> <li><strong>Điều chỉnh giọng văn:</strong> Biên tập lại văn bản để phù hợp với ngữ cảnh và mục đích sử dụng.</li> <li><strong>Viết nội dung:</strong> Hỗ trợ viết các bản nháp, bài đăng blog, lời bài hát,…</li> <li><strong>Tạo hình ảnh:</strong> Sáng tạo hình ảnh từ văn bản.</li> </ul> <p><strong>Hướng dẫn tóm tắt văn bản bằng AI trên Google Docs:</strong></p> <ol> <li><strong>Chọn văn bản:</strong> Mở một tài liệu trên Google Docs và bôi đen đoạn văn cần tóm tắt.</li> <li><strong>Chọn "Help me write":</strong> Nhấp vào nút "Help me write" ở bên phải văn bản được chọn. </li> <li><strong>Chọn "Summarize":</strong> Trong menu thả xuống, chọn tùy chọn "Summarize" để bắt đầu tóm tắt.</li> <li><strong>Kiểm tra và chỉnh sửa:</strong> Gemini sẽ đưa ra bản tóm tắt, người dùng cần kiểm tra tính chính xác và đảm bảo AI không bị "ảo giác" (hallucinate - đưa ra thông tin sai lệch).</li> <li><strong>Cung cấp phản hồi:</strong> Google Docs cung cấp tính năng phản hồi để đánh giá chất lượng bản tóm tắt và giúp Gemini cải thiện hiệu suất.</li> </ol> <p><strong>Nên sử dụng Google Workspace Gemini không?</strong></p> <p>Tác giả bài viết cho rằng Gemini là một công cụ hữu ích và thú vị, đặc biệt phù hợp cho những ai tìm kiếm sự liên kết và nhận diện mẫu mã. Gemini giúp tăng cường năng suất trong việc viết lách và tích hợp liền mạch với các sản phẩm khác của Google.</p> <p>Tác giả khuyến nghị sử dụng Gemini cho những ai:</p> <ul> <li>Muốn tăng cường năng suất và sáng tạo.</li> <li>Đang tìm giải pháp cho vấn đề hiệu suất hoặc sáng tạo với ngân sách hạn chế hoặc nhóm nhỏ.</li> </ul> <p><strong>Kết luận:</strong></p> <p>Google Gemini là một công cụ AI mạnh mẽ và tích hợp tốt trong Google Workspace. Tính năng tóm tắt văn bản mang đến sự tiện lợi và hiệu quả cho người dùng. Tuy nhiên, người dùng cần luôn kiểm tra tính chính xác của bản tóm tắt và cung cấp phản hồi để giúp Gemini hoàn thiện hơn.</p> <p><strong>Lưu ý:</strong> </p> <ul> <li>Việc sử dụng Gemini hiện có thể yêu cầu đăng ký và trả phí.</li> <li>Tính năng "Help me write" nằm trong Workspace Labs, việc tắt tính năng này đồng nghĩa với việc mất quyền truy cập vĩnh viễn vào tất cả tính năng của Labs.</li></ul><br /><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg" />

Tóm tắt Văn Bản bằng Trí tuệ Nhân tạo trên Google Docs: Hướng dẫn chi tiết

Tóm tắt Văn Bản bằng Trí tuệ Nhân tạo trên Google Docs: Hướng dẫn chi tiết Bài viết trên CNET giới thiệu về tính năng tóm tắt văn bản bằng ...

Read more »

Nghệ sĩ truyền thông Refik Anadol tinh chỉnh Llama cho "Mô hình Lớn về Thiên nhiên"

<h2 id="section-0">Nghệ sĩ truyền thông Refik Anadol tinh chỉnh Llama cho "Mô hình Lớn về Thiên nhiên"</h2> <p><strong>Refik Anadol</strong>, nghệ sĩ truyền thông nổi tiếng quốc tế, đang hợp tác với Meta để tinh chỉnh mô hình ngôn ngữ lớn (LLM) Llama cho một dự án độc đáo mang tên <strong>"Large Nature Model"</strong>. Dự án này tập trung vào việc sử dụng trí tuệ nhân tạo để khám phá và thể hiện vẻ đẹp của thiên nhiên.</p> <p>Anadol, một người tiên phong trong lĩnh vực nghệ thuật dữ liệu và trí tuệ nhân tạo, luôn tìm kiếm sự giao thoa giữa con người và máy móc. Ông sử dụng các tập dữ liệu khổng lồ như nguyên liệu chính cho tác phẩm nghệ thuật của mình, với mạng lưới thần kinh của trí tuệ nhân tạo như một cộng tác viên. </p> <p>Trong cuộc trò chuyện gần đây với Andrew "Boz" Bosworth, Giám đốc công nghệ và Trưởng phòng Reality Labs của Meta, trên podcast <strong>"Boz To The Future"</strong>, Anadol chia sẻ về cách studio của ông huấn luyện các mô hình của riêng mình, tận dụng nguồn mở Llama của Meta trong quá trình này. </p> <p>"Chúng tôi đang tinh chỉnh tất cả các mô hình văn bản và học hỏi rất nhiều", Anadol nói. "Phong trào mã nguồn mở của bạn vô cùng quan trọng - thật sự cần thiết. Tôi tin rằng chúng ta sẽ không thể có được đột phá trong nghệ thuật nếu không có nó. Hãy nghĩ đến các hệ thống phức tạp, các sản phẩm và dịch vụ - chính chúng là những đột phá, điều đó thật tuyệt vời. Nhưng đối với nghệ sĩ, chúng tôi thích phá vỡ mọi thứ. Chúng tôi không thích sự thật. Chúng tôi cho phép những tưởng tượng, giấc mơ, những lỗi kỹ thuật. Nghệ sĩ cần phải lấy một hệ thống hiện có và biến nó thành những gì họ hình dung. Tôi rất tôn trọng PyTorch và tất cả những điều đó. Thông tin mã nguồn mở chính là vàng đối với việc tạo ra nghệ thuật."</p> <p><strong>"Large Nature Model"</strong> là dự án mới nhất của Anadol, tập hợp hơn nửa tỷ hình ảnh về thiên nhiên được thu thập trong bốn năm từ các đối tác như Smithsonian, National Geographic và nhiều tổ chức khác. </p> <p>"Hiện tại, tất cả mọi người đều nói về các mô hình ngôn ngữ lớn và về lý luận của con người, nhưng chúng tôi nghĩ rằng thiên nhiên cũng rất quan trọng trong việc kiểm soát những gì xảy ra. Điều gì sẽ xảy ra nếu chúng ta nghĩ, 'Thiên nhiên trước tiên?' Vì vậy, chúng tôi đang tinh chỉnh Llama với một tập dữ liệu tuyệt vời tập trung vào thiên nhiên, tập trung vào rừng nhiệt đới."</p> <p>Anadol và Bosworth cũng cùng thảo luận về trách nhiệm to lớn khi làm việc với các tập dữ liệu khổng lồ này. Anadol không chỉ truyền cảm hứng cho mọi người bằng tác phẩm của mình, ông còn đưa họ vào quá trình sáng tạo đằng sau nó, bởi vì ông tin rằng việc làm rõ những phức tạp của trí tuệ nhân tạo sẽ giúp mọi người hiểu và chấp nhận nó tốt hơn.</p> <p>"Tôi tin rằng AI đầy tiềm năng, nhưng tiềm năng đi kèm với trách nhiệm", Anadol nói. "AI là tấm gương phản chiếu nhân loại. Nếu chúng ta biết chúng ta là ai, tôi rất thoải mái và tự tin về AI."</p> <p>Hãy lắng nghe toàn bộ tập podcast để tìm hiểu thêm về dự án "Large Nature Model" của Refik Anadol và cách ông sử dụng trí tuệ nhân tạo để khám phá vẻ đẹp của thiên nhiên. </p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Nghệ sĩ truyền thông Refik Anadol tinh chỉnh Llama cho "Mô hình Lớn về Thiên nhiên"

Nghệ sĩ truyền thông Refik Anadol tinh chỉnh Llama cho "Mô hình Lớn về Thiên nhiên" Refik Anadol , nghệ sĩ truyền thông nổi tiếng...

Read more »