Các chuyên gia AI chuẩn bị "Kỳ thi cuối cùng của nhân loại" để thử thách công nghệ mạnh mẽ

<h2 id="section-0">Các chuyên gia AI chuẩn bị "Kỳ thi cuối cùng của nhân loại" để thử thách công nghệ mạnh mẽ</h2> <p><strong>Các chuyên gia công nghệ đang kêu gọi trên toàn cầu những câu hỏi hóc búa nhất để đặt ra cho các hệ thống trí tuệ nhân tạo (AI), vốn đang ngày càng dễ dàng vượt qua các bài kiểm tra chuẩn mực phổ biến như trò chơi trẻ con.</strong></p> <p>Dự án mang tên "Kỳ thi cuối cùng của nhân loại" (Humanity's Last Exam) do Trung tâm An toàn AI (CAIS) và Scale AI khởi xướng, nhằm xác định thời điểm AI đạt đến trình độ chuyên gia. Mục tiêu của dự án là duy trì tính phù hợp ngay cả khi khả năng của AI tiếp tục phát triển trong những năm tới.</p> <p><strong>Lời kêu gọi này được đưa ra chỉ vài ngày sau khi nhà sản xuất ChatGPT giới thiệu một mô hình mới, gọi là OpenAI o1, "đã phá vỡ các tiêu chuẩn đánh giá lý luận phổ biến nhất", theo Dan Hendrycks, giám đốc điều hành của CAIS và cố vấn cho xAI – startup của Elon Musk.</strong></p> <p>Hendrycks là đồng tác giả của hai bài báo năm 2021 đề xuất các bài kiểm tra hệ thống AI hiện đang được sử dụng rộng rãi. Một bài kiểm tra kiến thức của sinh viên đại học về các chủ đề như lịch sử Hoa Kỳ, bài còn lại là khả năng giải quyết các bài toán cấp độ thi đấu. Bài kiểm tra theo phong cách đại học đã được tải xuống nhiều hơn bất kỳ bộ dữ liệu nào khác từ trung tâm AI trực tuyến Hugging Face.</p> <p><strong>Vào thời điểm các bài báo đó được xuất bản, AI thường đưa ra các câu trả lời gần như ngẫu nhiên cho các câu hỏi trong bài kiểm tra. "Giờ đây, chúng đã bị vượt mặt hoàn toàn", Hendrycks chia sẻ với Reuters.</strong></p> <p>Chẳng hạn, các mô hình Claude từ phòng thí nghiệm AI Anthropic đã tăng điểm từ khoảng 77% trong bài kiểm tra cấp độ đại học vào năm 2023 lên gần 89% một năm sau, theo bảng xếp hạng khả năng nổi bật.</p> <p><strong>Kết quả này khiến các tiêu chuẩn đánh giá thông thường trở nên ít ý nghĩa hơn.</strong></p> <p>Theo Báo cáo Chỉ số AI của Đại học Stanford hồi tháng Tư, AI dường như đạt điểm thấp trong các bài kiểm tra ít được sử dụng hơn, bao gồm việc xây dựng kế hoạch và giải quyết các câu đố nhận dạng mẫu hình trực quan. Ví dụ, OpenAI o1 đạt khoảng 21% trong một phiên bản bài kiểm tra ARC-AGI về nhận dạng mẫu hình, theo các nhà tổ chức ARC cho biết vào thứ Sáu.</p> <p><strong>Một số nhà nghiên cứu AI cho rằng những kết quả này cho thấy khả năng lập kế hoạch và tư duy trừu tượng là những thước đo trí thông minh tốt hơn. Tuy nhiên, Hendrycks cho rằng khía cạnh trực quan của ARC khiến nó không phù hợp để đánh giá các mô hình ngôn ngữ. "Kỳ thi cuối cùng của nhân loại" sẽ yêu cầu tư duy trừu tượng, ông nhấn mạnh.</strong></p> <p><strong>Các nhà quan sát ngành công nghiệp cũng cho rằng các câu trả lời từ các bài kiểm tra phổ biến có thể đã xuất hiện trong dữ liệu được sử dụng để huấn luyện các hệ thống AI. Hendrycks cho biết một số câu hỏi trong "Kỳ thi cuối cùng của nhân loại" sẽ được giữ bí mật để đảm bảo các câu trả lời của AI không đến từ việc ghi nhớ.</strong></p> <p>Kỳ thi sẽ bao gồm ít nhất 1.000 câu hỏi được cộng đồng mạng đóng góp vào ngày 1 tháng 11, những câu hỏi này khó đối với những người không phải chuyên gia. Sau đó, các câu hỏi sẽ trải qua quá trình bình duyệt, những câu hỏi xuất sắc nhất sẽ được cộng tác viên và nhận giải thưởng lên đến 5.000 USD do Scale AI tài trợ.</p> <p><strong>"Chúng ta rất cần những bài kiểm tra khó hơn cho các mô hình cấp độ chuyên gia để đo lường sự tiến bộ nhanh chóng của AI", Alexandr Wang, Giám đốc điều hành của Scale, cho biết.</strong></p> <p><strong>Một điều kiện tiên quyết: các nhà tổ chức không muốn có câu hỏi nào liên quan đến vũ khí, vì một số người cho rằng việc AI nghiên cứu về lĩnh vực này quá nguy hiểm.</strong></p><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg" />

Các chuyên gia AI chuẩn bị "Kỳ thi cuối cùng của nhân loại" để thử thách công nghệ mạnh mẽ

Các chuyên gia AI chuẩn bị "Kỳ thi cuối cùng của nhân loại" để thử thách công nghệ mạnh mẽ Các chuyên gia công nghệ đang kêu gọi ...

Read more »

Cerebras: Đột phá trong lĩnh vực xử lý suy luận AI, thách thức sự thống trị của GPU

<h2 id="section-0">Cerebras: Đột phá trong lĩnh vực xử lý suy luận AI, thách thức sự thống trị của GPU</h2> <p><strong>Nvidia</strong> từ lâu đã là ông lớn trong lĩnh vực phần cứng tính toán cho AI với các đơn vị xử lý đồ họa (GPU). Tuy nhiên, sự ra mắt vào <strong>Mùa Xuân năm 2024</strong> của <strong>Cerebras Systems</strong>, với con chip thế hệ thứ ba dựa trên công nghệ động cơ quy mô wafer (Wafer-Scale Engine - WSE) đã làm rung chuyển thị trường, mang đến cho các doanh nghiệp một lựa chọn thay thế sáng tạo và cạnh tranh.</p> <p>Bài viết này sẽ phân tích lý do tại sao sản phẩm mới của Cerebras lại quan trọng, cách nó so sánh với cả các sản phẩm của Nvidia và Groq - một startup khác đang cung cấp phần cứng tính toán chuyên biệt cho AI - và làm nổi bật những điểm doanh nghiệp cần lưu ý khi điều hướng trong bối cảnh thị trường đang thay đổi này.</p> <p><strong>Sự chuyển đổi từ đào tạo sang suy luận: Cơ hội cho các giải pháp mới</strong></p> <p>Trước đây, hầu hết các hoạt động xử lý cho AI tập trung vào <strong>đào tạo</strong> các mô hình ngôn ngữ lớn (Large Language Models - LLMs), chứ không phải ứng dụng chúng vào mục đích thực tế. Nvidia đã thống trị thị trường trong giai đoạn này với các GPU của mình. Tuy nhiên, trong vòng 18 tháng tới, các chuyên gia dự đoán thị trường sẽ đạt đến một điểm bùng phát khi các dự án AI mà nhiều công ty đã đào tạo và phát triển cuối cùng sẽ được triển khai. Tại thời điểm đó, khối lượng công việc AI sẽ chuyển từ <strong>đào tạo</strong> sang <strong>suy luận</strong> - giai đoạn mà tốc độ và hiệu quả trở nên quan trọng hơn bao giờ hết. Liệu Nvidia có thể duy trì vị trí dẫn đầu với dòng GPU của mình?</p> <p><strong>Suy luận AI: Thị trường tiềm năng khổng lồ</strong></p> <p><strong>Suy luận</strong> là quá trình mà một mô hình AI đã được đào tạo đánh giá dữ liệu mới và tạo ra kết quả – ví dụ, trong một cuộc trò chuyện với LLM hoặc khi một chiếc xe tự lái di chuyển trong giao thông – thay vì <strong>đào tạo</strong>, khi mô hình được định hình đằng sau hậu trường trước khi được phát hành. Suy luận rất quan trọng đối với mọi ứng dụng AI, từ các tương tác thời gian thực trong tích tắc đến phân tích dữ liệu thúc đẩy ra quyết định dài hạn. Thị trường suy luận AI đang trên đà phát triển bùng nổ, với ước tính sẽ đạt <strong>90,6 tỷ USD vào năm 2030</strong>.</p> <p><strong>Giới hạn của GPU trong suy luận AI:</strong></p> <p>Truyền thống, suy luận AI được thực hiện trên chip GPU. Điều này là do khả năng vượt trội của GPU so với CPU trong việc tính toán song song cần thiết để đào tạo hiệu quả trên các tập dữ liệu khổng lồ. Tuy nhiên, khi nhu cầu về khối lượng công việc suy luận lớn gia tăng, GPU tiêu tốn năng lượng đáng kể, tạo ra nhiệt lượng cao và tốn kém để bảo trì.</p> <p><strong>Cerebras: Đổi mới với công nghệ WSE</strong></p> <p>Cerebras, được thành lập vào năm 2016 bởi một đội ngũ chuyên gia về AI và thiết kế chip, là người tiên phong trong lĩnh vực phần cứng suy luận AI. Sản phẩm chủ lực của công ty, <strong>Động cơ Quy mô Wafer (Wafer-Scale Engine - WSE)</strong>, là một bộ xử lý AI mang tính cách mạng, đặt ra một tiêu chuẩn mới về hiệu năng và hiệu quả suy luận. Con chip thế hệ thứ ba <strong>CS-3</strong> mới ra mắt tự hào sở hữu <strong>4 nghìn tỷ transistor</strong>, biến nó thành chip mạng nơ-ron lớn nhất về mặt vật lý từng được sản xuất – với kích thước <strong>lớn hơn 56 lần so với GPU lớn nhất</strong>, nó gần với kích thước của một chiếc đĩa ăn hơn là một con tem. Nó có dung lượng bộ nhớ tích hợp trên chip lớn hơn 3000 lần. Điều này có nghĩa là các chip riêng lẻ có thể xử lý khối lượng công việc khổng lồ mà không cần phải kết nối mạng, một cải tiến về kiến trúc cho phép <strong>tốc độ xử lý nhanh hơn, khả năng mở rộng cao hơn và giảm tiêu thụ năng lượng</strong>.</p> <p>CS-3 đặc biệt hiệu quả với LLM; các báo cáo cho thấy chip của Cerebras có thể xử lý <strong>1.800 token mỗi giây đối với mô hình Llama 3.1 8B</strong>, vượt xa các giải pháp dựa trên GPU hiện tại. Hơn nữa, với giá khởi điểm <strong>chỉ 10 cent cho một triệu token</strong>, Cerebras đang định vị mình như một giải pháp cạnh tranh.</p> <p><strong>Nhu cầu về tốc độ:</strong></p> <p>Trước nhu cầu về suy luận AI, không có gì ngạc nhiên khi các thông số ấn tượng của Cerebras thu hút sự chú ý của ngành công nghiệp. Thực tế, công ty đã có đủ sự quan tâm ban đầu đến mức bộ tài liệu báo chí của họ trích dẫn một số nhà lãnh đạo trong ngành ca ngợi công nghệ của mình.</p> <p>Kim Branson, Phó chủ tịch cấp cao phụ trách AI/ML tại GlaxoSmithKline, cho biết: “Tốc độ và quy mô thay đổi mọi thứ”, nơi sự tăng cường do CS-3 của Cerebras cung cấp đã cải thiện đáng kể khả năng của công ty trong việc xử lý các tập dữ liệu khổng lồ để khám phá và phân tích thuốc.</p> <p>Denis Yarats, Giám đốc Công nghệ của Perplexity, coi suy luận cực nhanh là chìa khóa để định hình lại công cụ tìm kiếm và trải nghiệm người dùng. “Độ trễ thấp hơn thúc đẩy sự tương tác của người dùng cao hơn”, Yarats nói. “Với lợi thế tốc độ 20 lần của Cerebras so với GPU truyền thống, chúng tôi tin rằng sự tương tác của người dùng với các công cụ tìm kiếm và trả lời thông minh sẽ được thay đổi cơ bản.”</p> <p>Russell d’Sa, Giám đốc điều hành của LiveKit, nhấn mạnh cách suy luận cực nhanh của Cerebras đã cho phép công ty của ông phát triển các ứng dụng AI đa phương thức thế hệ tiếp theo với các tương tác dựa trên giọng nói và video. “Kết hợp sức mạnh tính toán tốt nhất của Cerebras với mạng lưới edge toàn cầu của LiveKit đã cho phép chúng tôi tạo ra những trải nghiệm AI mang tính nhân văn hơn, nhờ vào độ trễ cực thấp của hệ thống.”</p> <p><strong>Cảnh quan cạnh tranh: Nvidia so với Groq so với Cerebras</strong></p> <p>Mặc dù có sức mạnh công nghệ, Cerebras vẫn phải đối mặt với một thị trường cạnh tranh. Sự thống trị của Nvidia trong thị trường phần cứng AI là điều được công nhận rộng rãi, với các GPU Hopper là trụ cột trong việc đào tạo và chạy các mô hình AI. Việc tính toán trên GPU của Nvidia có sẵn thông qua các nhà cung cấp dịch vụ đám mây như Amazon Web Services, Google Cloud Platform hoặc Microsoft Azure và sự hiện diện lâu đời trên thị trường của Nvidia mang lại cho họ một lợi thế đáng kể về hỗ trợ hệ sinh thái và lòng tin của khách hàng.</p> <p>Tuy nhiên, thị trường phần cứng AI đang phát triển và cạnh tranh đang ngày càng khốc liệt. <strong>Groq</strong>, một startup chip AI khác, cũng đã tạo được tiếng vang với đơn vị xử lý ngôn ngữ chuyên biệt cho suy luận (Language Processing Unit - LPU) của mình. Dựa trên công nghệ <strong>Bộ xử lý truyền tải Tensor (Tensor Streaming Processor - TSP)</strong> độc quyền, Groq cũng tự hào có các <strong>điểm chuẩn hiệu năng</strong> ấn tượng, <strong>hiệu quả năng lượng</strong> và <strong>giá cả cạnh tranh</strong>.</p> <p>Mặc dù Cerebras và Groq có hiệu năng ấn tượng, nhưng nhiều nhà hoạch định chiến lược cấp doanh nghiệp có thể chưa nghe nhiều về chúng, chủ yếu là vì chúng là những người mới tham gia vào lĩnh vực này và vẫn đang mở rộng các kênh phân phối, trong khi GPU của Nvidia có sẵn từ tất cả các nhà cung cấp dịch vụ đám mây lớn. Tuy nhiên, cả Cerebras và Groq hiện đều cung cấp các giải pháp điện toán đám mây mạnh mẽ và bán phần cứng của họ. <strong>Cerebras Cloud</strong> cung cấp các mô hình giá cả linh hoạt, bao gồm cả tùy chọn theo mô hình và theo token, cho phép người dùng mở rộng khối lượng công việc của họ mà không cần đầu tư ban đầu lớn. Tương tự, <strong>Groq Cloud</strong> cung cấp cho người dùng quyền truy cập vào phần cứng suy luận tiên tiến thông qua đám mây, tự hào rằng người dùng có thể “chuyển đổi từ các nhà cung cấp khác như OpenAI bằng cách thay đổi ba dòng mã”. Các dịch vụ đám mây của cả hai công ty cho phép các nhà hoạch định chiến lược thử nghiệm các công nghệ suy luận AI tiên tiến với chi phí thấp hơn và linh hoạt hơn, giúp việc bắt đầu tương đối dễ dàng mặc dù sự hiện diện trên thị trường của họ nhỏ hơn so với Nvidia.</p> <p><strong>So sánh các lựa chọn:</strong></p> <p><strong>Nvidia:</strong></p> <ul> <li><strong>Hiệu năng:</strong> Các GPU như H100 xuất sắc trong các tác vụ xử lý song song, nhưng không thể sánh được với tốc độ của CS-3 và LPU chuyên biệt cho suy luận AI.</li> <li><strong>Hiệu quả năng lượng:</strong> Mặc dù Nvidia đã đạt được những bước tiến trong việc cải thiện hiệu quả năng lượng của GPU, chúng vẫn tiêu tốn nhiều năng lượng so với các sản phẩm của Cerebras và Groq.</li> <li><strong>Khả năng mở rộng:</strong> GPU có khả năng mở rộng cao, với các phương pháp được thiết lập tốt để kết nối nhiều GPU để làm việc trên các mô hình AI lớn.</li> <li><strong>Tính linh hoạt:</strong> Nvidia cung cấp khả năng tùy biến rộng thông qua mô hình lập trình CUDA và hệ sinh thái phần mềm rộng lớn. Tính linh hoạt này cho phép các nhà phát triển điều chỉnh thiết lập GPU của họ cho nhiều loại tác vụ tính toán ngoài suy luận và đào tạo AI. </li> <li><strong>Truy cập tính toán đám mây:</strong> Tính toán GPU của Nvidia dưới dạng dịch vụ có sẵn ở quy mô lớn thông qua nhiều nhà cung cấp đám mây, chẳng hạn như GCP, AWS và Azure.</li> </ul> <p><strong>Cerebras:</strong></p> <ul> <li><strong>Sức mạnh:</strong> CS-3 là một “nhà máy điện” phá vỡ kỷ lục với 900.000 lõi được tối ưu hóa cho AI và 4 nghìn tỷ transistor, có khả năng xử lý các mô hình AI với tối đa 24 nghìn tỷ tham số. Nó cung cấp hiệu năng AI đỉnh cao 125 petaflops, giúp nó cực kỳ hiệu quả đối với các mô hình AI quy mô lớn.</li> <li><strong>Hiệu quả năng lượng:</strong> Thiết kế chip đơn khổng lồ của CS-3 giảm thiểu nhu cầu giao tiếp giữa các thành phần, dẫn đến việc giảm đáng kể mức tiêu thụ năng lượng so với các giải pháp GPU được kết nối mạng rộng rãi.</li> <li><strong>Khả năng mở rộng:</strong> WSE-3 của Cerebras có khả năng mở rộng cao, có thể hỗ trợ các cụm gồm tối đa 2048 hệ thống, cung cấp <strong>lên đến 256 exaflops sức mạnh tính toán AI</strong>.</li> <li><strong>Quan hệ đối tác chiến lược:</strong> Cerebras đang tích hợp với các công cụ AI chính như LangChain, Docker và Weights and Biases, cung cấp một hệ sinh thái mạnh mẽ hỗ trợ phát triển ứng dụng AI nhanh chóng.</li> <li><strong>Truy cập tính toán đám mây:</strong> Hiện chỉ có sẵn thông qua Cerebras Cloud, cung cấp các mô hình giá cả linh hoạt theo mô hình hoặc theo token.</li> </ul> <p><strong>Groq:</strong></p> <ul> <li><strong>Sức mạnh:</strong> Bộ xử lý truyền tải Tensor (TSP) của Groq được thiết kế để suy luận AI hiệu năng cao với trọng tâm là độ trễ thấp. Mặc dù được ghi nhận là đạt được các điểm chuẩn cao, nhưng nó không sánh được với Cerebras về tốc độ xử lý token.</li> <li><strong>Hiệu quả năng lượng:</strong> TSP của Groq được tối ưu hóa cho hiệu quả năng lượng, tuyên bố hiệu quả tính toán cao hơn GPU đến 10 lần.</li> <li><strong>Khả năng mở rộng:</strong> Kiến trúc của Groq được thiết kế để mở rộng, cho phép thêm bộ xử lý để tăng sức mạnh xử lý.</li> <li><strong>Truy cập tính toán đám mây:</strong> Hiện chỉ có sẵn thông qua Groq Cloud.</li> </ul> <p><strong>Các bước tiếp theo dành cho nhà hoạch định chiến lược doanh nghiệp</strong></p> <p>Trước bối cảnh phần cứng AI đang phát triển nhanh chóng, các nhà hoạch định chiến lược doanh nghiệp nên chủ động đánh giá các lựa chọn của mình. Mặc dù Nvidia vẫn là nhà lãnh đạo thị trường, nhưng sự xuất hiện của Cerebras và Groq mang đến những lựa chọn thay thế hấp dẫn để theo dõi. Từ lâu là tiêu chuẩn vàng của sức mạnh tính toán AI, GPU Nvidia giờ đây dường như trở thành một công cụ chung được tạo ra để hoàn thành công việc, thay vì một công cụ chuyên biệt được tối ưu hóa cho mục đích của nó. Các chip AI được thiết kế dành riêng như Cerebras CS-3 và Groq LPU có thể đại diện cho tương lai.</p> <p>Dưới đây là một số bước mà các nhà lãnh đạo doanh nghiệp có thể thực hiện để điều hướng trong bối cảnh thay đổi này:</p> <ol> <li><strong>Đánh giá khối lượng công việc AI của bạn:</strong> Xác định xem khối lượng công việc AI hiện tại và đã lên kế hoạch của bạn có thể hưởng lợi từ những lợi thế về hiệu năng mà Cerebras hoặc Groq mang lại hay không. Nếu tổ chức của bạn dựa nhiều vào LLM hoặc suy luận AI thời gian thực, những công nghệ mới này có thể mang lại những lợi ích đáng kể.</li> <li><strong>Đánh giá các dịch vụ đám mây và phần cứng:</strong> Sau khi đã xác định rõ khối lượng công việc, hãy đánh giá các giải pháp đám mây và phần cứng do mỗi nhà cung cấp cung cấp. Xem xét xem việc sử dụng các dịch vụ điện toán dựa trên đám mây, đầu tư vào phần cứng tại chỗ hoặc áp dụng phương pháp kết hợp sẽ phù hợp nhất với nhu cầu của bạn.</li> <li><strong>Đánh giá hệ sinh thái của nhà cung cấp:</strong> Tính toán GPU của Nvidia có sẵn rộng rãi từ các nhà cung cấp dịch vụ đám mây và hệ sinh thái nhà phát triển phần cứng và phần mềm của họ rất mạnh mẽ, trong khi Cerebras và Groq là những người chơi mới trong lĩnh vực này.</li> <li><strong>Luôn linh hoạt và cập nhật thông tin:</strong> Duy trì sự linh hoạt trong quá trình ra quyết định và đảm bảo rằng nhóm của bạn luôn được cập nhật về những tiến bộ mới nhất trong phần cứng AI và dịch vụ đám mây.</li> </ol> <p><strong>Kết luận:</strong></p> <p>Sự ra đời của các startup sản xuất chip Cerebras và Groq trong lĩnh vực suy luận AI đã làm thay đổi đáng kể cuộc chơi. Các chip chuyên biệt của họ như CS-3 và LPU vượt trội so với bộ xử lý GPU Nvidia vốn là tiêu chuẩn ngành. Khi thị trường công nghệ suy luận AI tiếp tục phát triển, các nhà hoạch định chiến lược doanh nghiệp cần liên tục đánh giá nhu cầu và chiến lược của mình. </p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Cerebras: Đột phá trong lĩnh vực xử lý suy luận AI, thách thức sự thống trị của GPU

Cerebras: Đột phá trong lĩnh vực xử lý suy luận AI, thách thức sự thống trị của GPU Nvidia từ lâu đã là ông lớn trong lĩnh vực phần cứng t...

Read more »

Supermaven: Trợ lý mã hóa AI thu hút đầu tư từ OpenAI và Perplexity

<h2 id="section-0">Supermaven: Trợ lý mã hóa AI thu hút đầu tư từ OpenAI và Perplexity</h2> <p>Jacob Jackson, một doanh nhân trẻ tuổi, đã sớm nhận ra tiềm năng của AI trong lĩnh vực công nghệ. Khi còn là sinh viên khoa học máy tính tại Đại học Waterloo, anh đã đồng sáng lập Tabnine, một trợ lý mã hóa AI đã thu hút gần 60 triệu USD đầu tư từ các quỹ đầu tư mạo hiểm. Sau khi bán Tabnine cho Codata vào năm 2019, Jackson gia nhập OpenAI với vai trò thực tập sinh và làm việc tại đây cho đến năm 2022. </p> <p>Sau khoảng thời gian tại OpenAI, Jackson lại tràn đầy năng lượng để thành lập một công ty mới, Supermaven, tập trung vào hỗ trợ các quy trình phát triển phần mềm thông thường. </p> <p>“Kể từ khi tôi tạo ra Tabnine, các công cụ như ChatGPT và GitHub Copilot đã thay đổi cách thức các nhà phát triển làm việc,” Jackson chia sẻ với TechCrunch. “Đây là thời điểm vô cùng thú vị để phát triển các công cụ dành cho nhà phát triển vì công nghệ nền tảng đã được cải thiện đáng kể kể từ khi tôi bắt đầu Tabnine – điều này đã thu hút nhiều nhà phát triển hơn quan tâm đến việc sử dụng các công cụ AI để đẩy nhanh quy trình làm việc của họ.”</p> <p>Supermaven là một nền tảng mã hóa AI, tương tự như Tabnine, nhưng được nâng cấp về cả chất lượng và kỹ thuật. </p> <p>Mô hình AI do Supermaven tự phát triển, Babble, có khả năng hiểu một khối lượng lớn mã cùng một lúc, nhờ vào cửa sổ ngữ cảnh 1 triệu token. (Trong khoa học dữ liệu, token là các phần dữ liệu thô được phân chia, giống như các âm tiết “fan”, “tas” và “tic” trong từ “fantastic”).</p> <p>Ngữ cảnh của một mô hình, hay còn gọi là cửa sổ ngữ cảnh, đề cập đến dữ liệu đầu vào (ví dụ: mã) mà mô hình xem xét trước khi tạo ra đầu ra (ví dụ: mã bổ sung). Ngữ cảnh dài có thể ngăn chặn các mô hình “quên” nội dung của tài liệu và dữ liệu gần đây, đồng thời tránh việc lạc đề và suy luận sai.</p> <p>“Cửa sổ ngữ cảnh lớn của chúng tôi giúp giảm tần suất xảy ra hiện tượng ảo giác vì nó cho phép mô hình lấy câu trả lời từ ngữ cảnh trong những trường hợp mà nếu không, nó sẽ phải đoán,” Jackson chia sẻ.</p> <p>1 triệu token là một cửa sổ ngữ cảnh lớn, tuy nhiên, nó vẫn nhỏ hơn so với Magic, một công ty khởi nghiệp mã hóa AI khác, với 100 triệu token. Trong khi đó, Code Assist, công cụ hỗ trợ mã mới được Google giới thiệu, cũng có ngữ cảnh 1 triệu token giống như Supermaven.</p> <p>Vậy lợi thế của Supermaven so với các đối thủ là gì? Jackson khẳng định rằng Babble có độ trễ thấp hơn nhờ vào “kiến trúc mạng thần kinh mới.” Anh từ chối tiết lộ thêm thông tin về kiến trúc này ngoài việc nó được phát triển “từ đầu.”</p> <p>“Supermaven dành 10 đến 20 giây để xử lý kho lưu trữ mã của nhà phát triển để làm quen với API và các quy ước mã độc đáo của kho lưu trữ đó,” Jackson nói. “Với độ trễ thấp hơn nhờ vào cơ sở hạ tầng phục vụ mô hình nội bộ, công cụ của chúng tôi vẫn phản hồi tốt khi hoạt động với các lời nhắc dài đi kèm với các kho lưu trữ mã lớn.”</p> <p>Thị trường cho các công cụ mã hóa AI rất lớn và đang phát triển. Polaris Research dự đoán thị trường này sẽ đạt 27,17 tỷ USD vào năm 2032. Đa số các nhà phát triển tham gia cuộc khảo sát gần đây của GitHub cho biết họ đã sử dụng các công cụ AI ở một mức độ nào đó, và hơn 1,8 triệu người – cùng khoảng 50.000 doanh nghiệp – đang trả tiền cho GitHub Copilot.</p> <p>Tuy nhiên, Supermaven – cùng với các công ty khởi nghiệp cạnh tranh như Cognition, Anysphere, Poolside, Codeium và Augment – phải vượt qua những thách thức về đạo đức và pháp lý.</p> <p>Các doanh nghiệp thường e ngại việc phơi bày mã độc quyền cho bên thứ ba; ví dụ, Apple được cho là đã cấm nhân viên sử dụng Copilot vào năm ngoái, do lo ngại về rò rỉ dữ liệu bí mật. Một số công cụ tạo mã được đào tạo bằng cách sử dụng mã có giấy phép hạn chế hoặc bản quyền đã được chứng minh là “nôn” ra mã đó khi được nhắc theo một cách nhất định, gây ra rủi ro pháp lý (ví dụ: các nhà phát triển kết hợp mã đó có thể bị kiện). Và, do AI thường mắc lỗi, các công cụ hỗ trợ mã hóa có thể dẫn đến việc thêm nhiều mã sai và không an toàn vào các kho lưu trữ mã.</p> <p>Jackson cho biết Supermaven không sử dụng dữ liệu khách hàng để đào tạo các mô hình của mình. Tuy nhiên, anh thừa nhận rằng công ty lưu giữ dữ liệu trong một tuần để “làm cho hệ thống nhanh và phản hồi tốt,” anh nói. Về vấn đề bản quyền, Jackson không phủ nhận một cách rõ ràng rằng Babble được đào tạo trên mã được bảo vệ bằng quyền sở hữu trí tuệ – chỉ là nó được “đào tạo gần như hoàn toàn trên mã có sẵn công khai thay vì thu thập dữ liệu trên internet công khai” để “giảm thiểu tiếp xúc với nội dung độc hại trong quá trình đào tạo.”</p> <p>Khách hàng dường như không bị những điều này ngăn cản. Jackson cho biết hơn 35.000 nhà phát triển đang sử dụng Supermaven, và một phần đáng kể trong số đó đang trả tiền cho các gói Pro cao cấp (10 USD mỗi tháng) và Team (10 USD mỗi tháng cho mỗi người dùng). Doanh thu thường niên lặp lại của Supermaven đã đạt 1 triệu USD trong năm nay nhờ vào cơ sở người dùng đã tăng gấp 3 lần kể từ khi nền tảng này được ra mắt vào tháng 2.</p> <p>Sự tăng trưởng ấn tượng này đã thu hút sự chú ý của các quỹ đầu tư mạo hiểm.</p> <p>Tuần này, Supermaven đã công bố vòng tài trợ bên ngoài đầu tiên: 12 triệu USD do Bessemer Venture Partners dẫn đầu và các nhà đầu tư thiên thần nổi tiếng bao gồm John Schulman, đồng sáng lập OpenAI và Denis Yarats, đồng sáng lập Perplexity. Jackson cho biết kế hoạch sử dụng số tiền này để tuyển dụng các nhà phát triển (hiện tại Supermaven có đội ngũ 5 người) và phát triển trình chỉnh sửa văn bản của Supermaven, hiện đang trong giai đoạn thử nghiệm beta.</p> <p>“Chúng tôi dự định sẽ tăng trưởng đáng kể cho đến cuối năm,” anh nói thêm. “Mặc dù có những khó khăn cho ngành công nghệ nói chung, nhưng thị trường cho các trợ lý mã hóa AI đã phát triển nhanh chóng. Sự tăng trưởng của chúng tôi kể từ khi ra mắt vào tháng 2 – cũng như vòng tài trợ gần đây nhất – đã định vị tốt cho chúng tôi khi bước vào năm sau.”</p><br /><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg" />

Supermaven: Trợ lý mã hóa AI thu hút đầu tư từ OpenAI và Perplexity

Supermaven: Trợ lý mã hóa AI thu hút đầu tư từ OpenAI và Perplexity Jacob Jackson, một doanh nhân trẻ tuổi, đã sớm nhận ra tiềm năng của AI...

Read more »

SambaNova Thách Thức Mô Hình o1 của OpenAI với Bản Demo Dựa trên Llama 3.1 trên HuggingFace

<h2 id="section-0">SambaNova Thách Thức Mô Hình o1 của OpenAI với Bản Demo Dựa trên Llama 3.1 trên HuggingFace</h2> <p><strong>SambaNova Systems vừa ra mắt một bản demo mới trên Hugging Face, cung cấp một giải pháp thay thế mã nguồn mở, tốc độ cao cho mô hình o1 của OpenAI.</strong> Bản demo này, được hỗ trợ bởi mô hình Llama 3.1 Instruct của Meta, là một lời thách thức trực tiếp đối với mô hình o1 vừa được OpenAI phát hành và đánh dấu một bước tiến đáng kể trong cuộc đua giành vị thế thống trị cơ sở hạ tầng AI doanh nghiệp.</p> <p><strong>SambaNova hướng đến việc chiếm lĩnh một thị phần lớn hơn trong thị trường AI tạo sinh bằng cách cung cấp một nền tảng có khả năng mở rộng và hiệu quả cao, phục vụ cả các nhà phát triển và doanh nghiệp.</strong> Nền tảng của SambaNova tập trung vào tốc độ và độ chính xác, hứa hẹn sẽ làm thay đổi bộ mặt của ngành AI, vốn đang bị chi phối bởi các nhà cung cấp phần cứng như Nvidia và các gã khổng lồ phần mềm như OpenAI.</p> <p><strong>Một đối thủ cạnh tranh trực tiếp với OpenAI o1 xuất hiện:</strong></p> <p>Việc SambaNova phát hành bản demo trên Hugging Face là một tín hiệu rõ ràng cho thấy công ty này có khả năng cạnh tranh trực tiếp với OpenAI. Mô hình o1 của OpenAI, được phát hành vào tuần trước, đã thu hút sự chú ý đáng kể nhờ khả năng lập luận tiên tiến. Tuy nhiên, bản demo của SambaNova cung cấp một lựa chọn hấp dẫn bằng cách tận dụng mô hình Llama 3.1 của Meta.</p> <p>Bản demo cho phép các nhà phát triển tương tác với mô hình Llama 3.1 405B, một trong những mô hình mã nguồn mở lớn nhất hiện có, với tốc độ 129 token mỗi giây. Ngược lại, mô hình o1 của OpenAI được ca ngợi về khả năng giải quyết vấn đề và lập luận, nhưng chưa thể hiện được các số liệu hiệu suất tương tự về tốc độ tạo token.</p> <p>Cuộc đua giữa các nhà phát triển AI mã nguồn mở và những bên ngoài OpenAI để đạt được hiệu năng tương đương với các mô hình o1 mới của OpenAI đang diễn ra mạnh mẽ. Nhiều bên đang tìm cách triển khai các lời nhắc kiểu "chuỗi suy nghĩ" (CoT) đã được nghiên cứu trước đó vào các mô hình đối thủ khác. Tuy nhiên, OpenAI đã đặc biệt nhấn mạnh rằng mô hình o1 được huấn luyện để tích hợp CoT ngay từ đầu, thay vì thêm vào sau. Kết quả là, các mô hình o1, hiện đang trong giai đoạn xem trước, được thiết kế để "suy nghĩ" và mất nhiều thời gian hơn trước khi đưa ra câu trả lời.</p> <p><strong>Tầm quan trọng của bản demo này nằm ở chỗ nó chứng minh rằng các mô hình AI có sẵn miễn phí có thể hoạt động tốt như các mô hình thuộc sở hữu của các công ty tư nhân.</strong> Mặc dù mô hình mới nhất của OpenAI đã được khen ngợi về khả năng lập luận thông qua các vấn đề phức tạp, nhưng bản demo của SambaNova lại nhấn mạnh tốc độ xử lý thông tin tuyệt đối của hệ thống. Tốc độ này rất quan trọng đối với nhiều ứng dụng thực tế của AI trong kinh doanh và đời sống hàng ngày.</p> <p>Bằng cách sử dụng mô hình Llama 3.1 công khai của Meta và thể hiện khả năng xử lý nhanh chóng, SambaNova đang vẽ nên bức tranh về một tương lai nơi các công cụ AI mạnh mẽ nằm trong tầm tay của nhiều người hơn. Cách tiếp cận này có thể giúp công nghệ AI tiên tiến trở nên phổ biến hơn, cho phép nhiều nhà phát triển và doanh nghiệp hơn sử dụng và điều chỉnh các hệ thống tinh vi này cho nhu cầu riêng của họ.</p> <p><strong>AI Doanh nghiệp cần tốc độ và độ chính xác – Bản demo của SambaNova đáp ứng cả hai:</strong></p> <p>Lợi thế cạnh tranh chính của SambaNova nằm ở phần cứng của họ. Các chip AI SN40L độc quyền của công ty được thiết kế đặc biệt cho việc tạo token tốc độ cao, điều này rất quan trọng đối với các ứng dụng doanh nghiệp đòi hỏi phản hồi nhanh chóng, chẳng hạn như dịch vụ khách hàng tự động, ra quyết định thời gian thực và các tác nhân được hỗ trợ bởi AI.</p> <p>Trong các thử nghiệm ban đầu, bản demo chạy trên cơ sở hạ tầng của SambaNova đã đạt được 405 token mỗi giây cho mô hình Llama 3.1 70B, trở thành nhà cung cấp mô hình Llama nhanh thứ hai, chỉ sau Cerebras.</p> <p>Tốc độ này rất quan trọng đối với các doanh nghiệp muốn triển khai AI trên quy mô lớn. Việc tạo token nhanh hơn đồng nghĩa với độ trễ thấp hơn, giảm chi phí phần cứng và sử dụng tài nguyên hiệu quả hơn. Đối với doanh nghiệp, điều này chuyển thành lợi ích thực tế như phản hồi dịch vụ khách hàng nhanh hơn, xử lý tài liệu nhanh hơn và tự động hóa liền mạch hơn.</p> <p>Bản demo của SambaNova duy trì độ chính xác cao đồng thời đạt được tốc độ ấn tượng. Sự cân bằng này rất quan trọng đối với các ngành như chăm sóc sức khỏe và tài chính, nơi độ chính xác có thể quan trọng như tốc độ. Bằng cách sử dụng độ chính xác dấu phẩy động 16 bit, SambaNova chứng minh rằng có thể vừa xử lý AI nhanh vừa đáng tin cậy. Cách tiếp cận này có thể thiết lập một tiêu chuẩn mới cho các hệ thống AI, đặc biệt là trong các lĩnh vực mà ngay cả những lỗi nhỏ cũng có thể dẫn đến hậu quả nghiêm trọng.</p> <p><strong>Tương lai của AI có thể là mã nguồn mở và nhanh hơn bao giờ hết:</strong></p> <p>Việc SambaNova dựa vào Llama 3.1, một mô hình mã nguồn mở từ Meta, đánh dấu một bước ngoặt quan trọng trong bối cảnh AI. Trong khi các công ty như OpenAI đã xây dựng các hệ sinh thái khép kín xung quanh các mô hình của họ, thì các mô hình Llama của Meta lại cung cấp tính minh bạch và linh hoạt, cho phép các nhà phát triển tinh chỉnh mô hình cho các trường hợp sử dụng cụ thể. Cách tiếp cận mã nguồn mở này đang ngày càng được các doanh nghiệp ưa chuộng, những doanh nghiệp muốn kiểm soát nhiều hơn đối với việc triển khai AI của họ.</p> <p>Bằng cách cung cấp một giải pháp thay thế mã nguồn mở, tốc độ cao, SambaNova đang cung cấp cho các nhà phát triển và doanh nghiệp một lựa chọn mới có thể cạnh tranh với cả OpenAI và Nvidia.</p> <p>Kiến trúc luồng dữ liệu cấu hình lại của công ty tối ưu hóa việc phân bổ tài nguyên trên các lớp mạng nơ-ron, cho phép cải thiện hiệu suất liên tục thông qua các bản cập nhật phần mềm. Điều này mang đến cho SambaNova một sự linh hoạt có thể duy trì khả năng cạnh tranh khi các mô hình AI ngày càng lớn và phức tạp hơn.</p> <p>Đối với doanh nghiệp, khả năng chuyển đổi giữa các mô hình, tự động hóa quy trình làm việc và tinh chỉnh đầu ra AI với độ trễ tối thiểu là một bước ngoặt. Khả năng tương tác này, kết hợp với hiệu năng tốc độ cao của SambaNova, định vị công ty này như một lựa chọn hàng đầu trong thị trường cơ sở hạ tầng AI đang phát triển.</p> <p>Khi AI tiếp tục phát triển, nhu cầu về các nền tảng nhanh hơn và hiệu quả hơn sẽ chỉ tăng lên. Bản demo mới nhất của SambaNova là một dấu hiệu rõ ràng cho thấy công ty này đã sẵn sàng đáp ứng nhu cầu đó, cung cấp một lựa chọn hấp dẫn cho các nhà cung cấp lớn nhất trong ngành. Cho dù thông qua việc tạo token nhanh hơn, tính linh hoạt của mã nguồn mở hay đầu ra độ chính xác cao, SambaNova đang thiết lập một tiêu chuẩn mới trong AI doanh nghiệp.</p> <p>Với bản phát hành này, cuộc chiến giành ưu thế về cơ sở hạ tầng AI vẫn chưa kết thúc, nhưng SambaNova đã khẳng định rõ ràng rằng họ sẽ tiếp tục hiện diện và cạnh tranh. </p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

SambaNova Thách Thức Mô Hình o1 của OpenAI với Bản Demo Dựa trên Llama 3.1 trên HuggingFace

SambaNova Thách Thức Mô Hình o1 của OpenAI với Bản Demo Dựa trên Llama 3.1 trên HuggingFace SambaNova Systems vừa ra mắt một bản demo mới t...

Read more »

Sử dụng Trí tuệ Nhân tạo để Nâng cao Kết quả Tìm Kiếm Tài liệu Khoa học

<h2 id="section-0">Sử dụng Trí tuệ Nhân tạo để Nâng cao Kết quả Tìm Kiếm Tài liệu Khoa học</h2> <p><strong>Mở đầu:</strong></p> <p>Trong lĩnh vực y học, việc tìm kiếm và sàng lọc thông tin từ các tài liệu khoa học là một nhiệm vụ thường nhật và vô cùng quan trọng. Tuy nhiên, các công cụ tìm kiếm hiện tại như PubMed hay Google Scholar vẫn còn nhiều hạn chế, gây ra khó khăn cho người dùng trong việc thu được kết quả phù hợp với nhu cầu. Bài viết này sẽ giới thiệu một số công cụ trí tuệ nhân tạo (AI) mới nổi, có tiềm năng cách mạng hóa cách thức chúng ta tìm kiếm và phân tích tài liệu khoa học, đặc biệt là trong lĩnh vực y tế.</p> <p><strong>Thực trạng hiện tại:</strong></p> <p>Tác giả, một người thường xuyên sử dụng PubMed hàng ngày, đã nhận thấy những hạn chế của công cụ này. Việc tìm kiếm trên PubMed đòi hỏi người dùng phải am hiểu về các mã MESH và thường không xử lý tốt ngôn ngữ tự nhiên. Google Scholar tuy sử dụng ngôn ngữ tự nhiên hiệu quả hơn, nhưng vẫn còn gặp phải vấn đề kết quả không liên quan, gây lãng phí thời gian cho người dùng. </p> <p>Các giải pháp thay thế như Trip Database, dù từng hữu ích, hiện nay đã trở nên hạn chế hơn do việc triển khai phiên bản trả phí. Do đó, nhu cầu tìm kiếm một giải pháp tốt hơn cho việc tìm kiếm tài liệu khoa học, đặc biệt là trong lĩnh vực y tế, là hoàn toàn chính đáng.</p> <p><strong>Các Công cụ AI hỗ trợ Tìm kiếm Tài liệu:</strong></p> <p>Bài viết này đánh giá một số công cụ AI nổi bật, tập trung vào các phiên bản miễn phí dành cho người dùng phổ thông:</p> <p><strong>1. Consensus:</strong></p> <ul> <li><strong>Tính năng:</strong> Consensus không chỉ cung cấp danh sách tài liệu tham khảo mà còn đưa ra tóm tắt nghiên cứu và xác định sự đồng thuận khoa học về một chủ đề. </li> <li><strong>Ví dụ:</strong> Khi được hỏi về hiệu quả của Aspirin trong nhồi máu cơ tim, Consensus đưa ra kết luận 100% đồng thuận về hiệu quả tích cực. </li> <li><strong>Ưu điểm:</strong> Cung cấp câu trả lời ngắn gọn, hữu ích và có liên kết tới các nghiên cứu có liên quan. Tính năng Co-Pilot tóm tắt tài liệu một cách hiệu quả.</li> <li><strong>Nhược điểm:</strong> Phiên bản miễn phí có hạn chế về số lượng sử dụng tính năng nâng cao.</li> <li><strong>Ứng dụng:</strong> Hỗ trợ việc xác định sự đồng thuận khoa học trước khi bắt đầu một bài đánh giá tài liệu, cung cấp thông tin nhanh chóng trong quá trình làm việc lâm sàng (tuy nhiên cần thận trọng khi áp dụng trực tiếp vào lâm sàng).</li> </ul> <p><strong>2. Perplexity:</strong></p> <ul> <li><strong>Tính năng:</strong> Tương tự Consensus, nhưng dường như dựa nhiều vào các trang web thông tin bệnh nhân hơn là các tài liệu y tế hoặc hướng dẫn.</li> <li><strong>Ưu điểm:</strong> Có ứng dụng di động, tiềm năng hữu ích cho việc tra cứu nhanh chóng trong công việc.</li> <li><strong>Nhược điểm:</strong> Kết quả đôi khi không đủ tin cậy, dựa trên nguồn không đáng tin cậy.</li> <li><strong>Ứng dụng:</strong> Ít phù hợp cho các mục đích nghiên cứu khoa học và EBM.</li> </ul> <p><strong>3. Semantic Scholar:</strong></p> <ul> <li><strong>Tính năng:</strong> Hỗ trợ lưu trữ, tổ chức và theo dõi các nghiên cứu có liên quan đến một dự án cụ thể. </li> <li><strong>Ưu điểm:</strong> Hỗ trợ tìm kiếm, lưu trữ và theo dõi tài liệu, dễ sử dụng hơn PubMed.</li> <li><strong>Nhược điểm:</strong> Chức năng tìm kiếm cơ bản không khác biệt nhiều so với PubMed.</li> <li><strong>Ứng dụng:</strong> Phù hợp cho các dự án nghiên cứu dài hạn, giúp người dùng theo dõi và cập nhật các công trình nghiên cứu mới.</li> </ul> <p><strong>4. SciSpace:</strong></p> <ul> <li><strong>Tính năng:</strong> Cung cấp tóm tắt và bảng dữ liệu có thể tùy chỉnh, chứa các thông tin chi tiết về các bài báo nghiên cứu. </li> <li><strong>Ưu điểm:</strong> Cung cấp tóm tắt, bảng dữ liệu chi tiết, hữu ích cho các nhà nghiên cứu.</li> <li><strong>Nhược điểm:</strong> Phiên bản miễn phí bị hạn chế.</li> <li><strong>Ứng dụng:</strong> Thay thế PubMed hiệu quả cho người dùng cần phân tích sâu tài liệu, nhưng khuyến khích sử dụng phiên bản trả phí để khai thác hết tiềm năng của công cụ.</li> </ul> <p><strong>5. Lens.org:</strong></p> <ul> <li><strong>Tính năng:</strong> Tìm kiếm không chỉ trong các cơ sở dữ liệu khoa học mà còn cả cơ sở dữ liệu bằng sáng chế. Cung cấp dữ liệu tổng quan về tình hình nghiên cứu của một lĩnh vực.</li> <li><strong>Ưu điểm:</strong> Cung cấp cái nhìn tổng quan rộng về một lĩnh vực nghiên cứu.</li> <li><strong>Nhược điểm:</strong> Giao diện chậm, kết quả tìm kiếm không vượt trội so với các công cụ khác.</li> <li><strong>Ứng dụng:</strong> Phù hợp cho việc nắm bắt tình hình chung về một lĩnh vực nghiên cứu, ít phù hợp cho việc tìm kiếm tài liệu cụ thể.</li> </ul> <p><strong>6. Scite:</strong></p> <ul> <li><strong>Tính năng:</strong> Cung cấp công cụ tìm kiếm và trợ lý nghiên cứu AI dựa trên nguồn tài liệu khoa học cập nhật.</li> <li><strong>Nhược điểm:</strong> Không có phiên bản miễn phí.</li> <li><strong>Ứng dụng:</strong> Hữu ích cho các nhà nghiên cứu nhưng không phù hợp với các mục tiêu tìm kiếm cơ bản.</li> </ul> <p><strong>7. Research Rabbit:</strong></p> <ul> <li><strong>Tính năng:</strong> Tìm kiếm các bài báo có liên quan đến một hoặc một nhóm bài báo đã biết.</li> <li><strong>Ưu điểm:</strong> Hỗ trợ mở rộng tìm kiếm từ một bài báo ban đầu, giao diện trực quan.</li> <li><strong>Nhược điểm:</strong> Không có nhược điểm đáng kể.</li> <li><strong>Ứng dụng:</strong> Công cụ hiệu quả cho việc mở rộng tìm kiếm trong quá trình đánh giá tài liệu.</li> </ul> <p><strong>8. Connected papers:</strong></p> <ul> <li><strong>Tính năng:</strong> Tạo biểu đồ và danh sách các bài báo có liên quan dựa trên các trích dẫn.</li> <li><strong>Ưu điểm:</strong> Hỗ trợ mở rộng tìm kiếm dựa trên trích dẫn.</li> <li><strong>Nhược điểm:</strong> Phiên bản miễn phí có hạn chế, tương tự Research Rabbit nhưng không mạnh mẽ bằng.</li> <li><strong>Ứng dụng:</strong> Hữu ích cho việc tìm kiếm tài liệu có liên quan dựa trên trích dẫn.</li> </ul> <p><strong>9. Microsoft Co-pilot:</strong></p> <ul> <li><strong>Tính năng:</strong> Hỗ trợ tóm tắt tài liệu bằng AI tích hợp trong trình duyệt Microsoft Edge.</li> <li><strong>Ưu điểm:</strong> Dễ sử dụng, tích hợp với trình duyệt.</li> <li><strong>Nhược điểm:</strong> Kết quả tóm tắt cần được kiểm tra lại kỹ lưỡng.</li> <li><strong>Ứng dụng:</strong> Hỗ trợ tóm tắt nhanh các bài báo trong quá trình tìm kiếm.</li> </ul> <p><strong>Kết luận:</strong></p> <p>Các công cụ AI hỗ trợ tìm kiếm tài liệu khoa học có tiềm năng thay đổi đáng kể cách thức chúng ta tiếp cận với thông tin. Chúng giúp tiết kiệm thời gian, tăng năng suất cho việc nghiên cứu và phân tích tài liệu. Tuy nhiên, việc sử dụng các công cụ này cần kết hợp với tư duy phản biện và đánh giá kỹ lưỡng kết quả. </p> <p>Tác giả nhấn mạnh tầm quan trọng của việc kết hợp AI với khả năng tư duy phản biện của con người để đạt được hiệu quả tối ưu. Các công cụ AI có thể hỗ trợ việc tìm kiếm và sàng lọc thông tin, nhưng con người vẫn cần phải phân tích, đánh giá và tổng hợp thông tin một cách khoa học. </p> <p><strong>Lời khuyên cho người đọc:</strong></p> <p>Bài viết này chỉ là một cái nhìn tổng quan về một số công cụ AI hỗ trợ tìm kiếm tài liệu. Tác giả khuyến khích người đọc tự trải nghiệm và đánh giá để lựa chọn công cụ phù hợp nhất với nhu cầu và mục tiêu cụ thể của mình. </p> <p>Mong rằng bài viết này đã cung cấp cho bạn những thông tin hữu ích về các công cụ AI hỗ trợ tìm kiếm tài liệu khoa học. </p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Sử dụng Trí tuệ Nhân tạo để Nâng cao Kết quả Tìm Kiếm Tài liệu Khoa học

Sử dụng Trí tuệ Nhân tạo để Nâng cao Kết quả Tìm Kiếm Tài liệu Khoa học Mở đầu: Trong lĩnh vực y học, việc tìm kiếm và sàng lọc thông tin ...

Read more »

Perplexity Áp dụng Mô Hình o1 Giữa Bối Cảnh Hạn Chế Tin Nhắn Mới của OpenAI

<h2 id="section-0">Perplexity Áp dụng Mô Hình o1 Giữa Bối Cảnh Hạn Chế Tin Nhắn Mới của OpenAI</h2> <p><strong>OpenAI gần đây đã tăng giới hạn sử dụng cho các mô hình o1, bao gồm cả o1 mini. Người dùng giờ đây có thể gửi tối đa 50 tin nhắn mỗi ngày trên cả hai mô hình này, trong khi trước đây giới hạn này được áp dụng hàng tuần. Ngoài ra, có báo cáo cho rằng o1 mini đang xuất hiện trong menu thả xuống của một số người dùng, cho thấy mô hình này có thể sớm được cung cấp miễn phí cho tất cả mọi người.</strong></p> <p>OpenAI đã công bố việc tăng giới hạn tin nhắn trên Twitter: </p> <blockquote> <p>"Chúng tôi đánh giá cao sự hào hứng của các bạn dành cho OpenAI o1 và chúng tôi muốn các bạn có thể sử dụng nó nhiều hơn. \ \ Đối với người dùng Plus và Team, chúng tôi đã tăng giới hạn tốc độ cho o1-mini lên 7 lần, từ 50 tin nhắn mỗi tuần lên 50 tin nhắn mỗi ngày. \ \ o1-preview đắt hơn để phục vụ, vì vậy chúng tôi đã tăng giá…" - OpenAI (@OpenAI)</p> </blockquote> <p><strong>o1 nổi bật với khả năng lập luận nâng cao và hiện là mô hình mới nhất của OpenAI có sẵn trên thị trường.</strong></p> <p><strong>Bên cạnh đó, ngày cập nhật kiến thức cho mô hình GPT-4o cũng đã được nâng cấp lên tháng 9 năm 2024. Thông tin này đã được một số người dùng nhận thấy và được xác nhận bởi các nhân viên của OpenAI, cho thấy mô hình cập nhật này đã được thử nghiệm trên Lmsys Arena.</strong></p> <p>Andrew Kondrich đã thông báo về điều này trên Twitter:</p> <blockquote> <p>"Rất vui mừng được chia sẻ rằng bản phát hành GPT-4o tháng 9 của chúng tôi đang ở vị trí số 1 trên lmsys arena! \ \ Chúng tôi đã lặng lẽ tung ra bản cập nhật cho 4o trong API động và trong ChatGPT đầu tháng này. Đây là một cải tiến lớn cho việc viết, lập trình và các cuộc trò chuyện nhiều lượt, hy vọng bạn sẽ thử nó!" - Andrew (@kondrich2)</p> </blockquote> <p><strong>Cuối cùng, Perplexity cũng đã tích hợp mô hình o1 trong chế độ beta với giới hạn sử dụng rất nghiêm ngặt, chỉ 10 tin nhắn mỗi ngày. Mô hình này xuất hiện dưới dạng một chế độ tập trung riêng biệt nhưng hiện tại chưa hỗ trợ chức năng tìm kiếm.</strong></p> <p><strong>Tóm lại, việc OpenAI tăng giới hạn tin nhắn cho các mô hình o1 và Perplexity tích hợp o1 vào nền tảng của mình cho thấy sự phát triển nhanh chóng của công nghệ AI và nhu cầu ngày càng tăng đối với các mô hình có khả năng lập luận nâng cao.</strong> Sự ra mắt của o1 mini và GPT-4o cập nhật hứa hẹn sẽ mang đến những trải nghiệm mới mẻ và mạnh mẽ hơn cho người dùng AI.</p> <hr /> <p><strong>Bài viết này đã được viết lại với phong cách rõ ràng, mạch lạc hơn, đồng thời bổ sung thêm các thông tin liên quan, giúp người đọc dễ dàng tiếp thu và hiểu được nội dung chính.</strong> </p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Perplexity Áp dụng Mô Hình o1 Giữa Bối Cảnh Hạn Chế Tin Nhắn Mới của OpenAI

Perplexity Áp dụng Mô Hình o1 Giữa Bối Cảnh Hạn Chế Tin Nhắn Mới của OpenAI OpenAI gần đây đã tăng giới hạn sử dụng cho các mô hình o1, bao...

Read more »