AMD ra mắt mô hình ngôn ngữ nhỏ đầu tiên: AMD-135M - Một bước tiến mạnh mẽ trong lĩnh vực AI

<h2 id="section-0">AMD ra mắt mô hình ngôn ngữ nhỏ đầu tiên: AMD-135M - Một bước tiến mạnh mẽ trong lĩnh vực AI</h2> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu AMD-135M: Mô hình ngôn ngữ nhỏ đột phá từ AMD</li> <li>Đặc điểm nổi bật của AMD-135M: Giải mã dự đoán - công nghệ tiên phong</li> <li>Cơ sở hạ tầng và quá trình huấn luyện: Sức mạnh từ AMD Instinct MI250</li> <li>Hai phiên bản AMD-135M: Đáp ứng đa dạng nhu cầu người dùng</li> <li>Mở nguồn mã nguồn: Hướng tới cộng đồng và thúc đẩy phát triển AI</li> <li>AMD và chiến lược toàn diện trong lĩnh vực AI</li> <li>So sánh với các mô hình ngôn ngữ khác trên thị trường</li> <li>Kết luận: Tầm nhìn tương lai của AMD trong lĩnh vực AI</li> </ol> <p><strong>1. Giới thiệu AMD-135M: Mô hình ngôn ngữ nhỏ đột phá từ AMD</strong></p> <p>Gã khổng lồ công nghệ AMD vừa chính thức trình làng mô hình ngôn ngữ nhỏ (small language model - SML) đầu tiên của mình, AMD-135M. Được thiết kế đặc biệt cho các doanh nghiệp tư nhân, AMD-135M đánh dấu bước tiến quan trọng của AMD trong cuộc đua AI sôi động hiện nay. Khác biệt so với nhiều đối thủ, AMD theo đuổi chiến lược tích hợp cả phần cứng và phần mềm, thể hiện tham vọng vươn lên dẫn đầu trong lĩnh vực trí tuệ nhân tạo.</p> <p><strong>2. Đặc điểm nổi bật của AMD-135M: Giải mã dự đoán - công nghệ tiên phong</strong></p> <p>Điểm nhấn của AMD-135M chính là công nghệ "giải mã dự đoán" (speculative decoding). Công nghệ này sử dụng một "mô hình nháp" nhỏ hơn để tạo ra nhiều token tiềm năng trong một lần chạy, sau đó được kiểm chứng và hiệu chỉnh bởi một "mô hình mục tiêu" lớn hơn, chính xác hơn. Phương pháp này giúp tăng tốc độ suy luận đáng kể và giảm tiêu thụ bộ nhớ, mang lại hiệu quả vượt trội. AMD đã chứng minh hiệu năng ấn tượng của công nghệ này trên nhiều nền tảng của mình, bao gồm cả bộ tăng tốc Instinct MI250 và bộ xử lý Ryzen AI.</p> <p><strong>3. Cơ sở hạ tầng và quá trình huấn luyện: Sức mạnh từ AMD Instinct MI250</strong></p> <p>AMD-135M được huấn luyện trên một tập dữ liệu khổng lồ gồm 670 tỷ token dữ liệu đa mục đích. Quá trình huấn luyện kéo dài 6 ngày, được thực hiện trên bốn cụm (node) máy tính sử dụng 8 card đồ họa AMD Instinct MI250 mỗi cụm, minh chứng cho sức mạnh tính toán ấn tượng của nền tảng phần cứng AMD.</p> <p><strong>4. Hai phiên bản AMD-135M: Đáp ứng đa dạng nhu cầu người dùng</strong></p> <p>AMD cung cấp hai phiên bản của AMD-135M: phiên bản cơ sở và phiên bản tối ưu hóa cho mã code (coding-optimized). Cả hai phiên bản đều được tích hợp công nghệ giải mã dự đoán, đảm bảo hiệu năng suy luận được tối ưu hóa. Phiên bản tối ưu hóa cho mã code được tinh chỉnh thêm với 20 tỷ token dữ liệu chuyên biệt về lập trình, mất 4 ngày huấn luyện.</p> <p><strong>5. Mở nguồn mã nguồn: Hướng tới cộng đồng và thúc đẩy phát triển AI</strong></p> <p>AMD cam kết mở nguồn tất cả tài nguyên của mô hình AMD-135M, nhằm hỗ trợ cộng đồng phát triển AI và khuyến khích việc sử dụng phần cứng AMD cho cả quá trình huấn luyện và suy luận. Đây là một bước đi chiến lược, thể hiện tinh thần cởi mở và chia sẻ kiến thức của AMD.</p> <p><strong>6. AMD và chiến lược toàn diện trong lĩnh vực AI</strong></p> <p>Sự ra mắt của AMD-135M nằm trong chiến lược toàn diện của AMD hướng tới lĩnh vực AI, kết hợp cả phần cứng và phần mềm. Việc AMD gần đây mua lại công ty AI châu Âu Silo AI (mặc dù chưa rõ mối liên hệ trực tiếp với việc phát triển AMD-135M) cũng cho thấy tham vọng lớn của AMD trong việc xây dựng hệ sinh thái AI mạnh mẽ.</p> <p><strong>7. So sánh với các mô hình ngôn ngữ khác trên thị trường</strong></p> <p>AMD-135M gia nhập thị trường cạnh tranh khốc liệt với nhiều mô hình ngôn ngữ khác, như Llama 3 của Meta (với hai phiên bản 8B và 70B tham số) hay SpreadsheetLLM của Microsoft (đang trong giai đoạn nghiên cứu). Mặc dù có kích thước nhỏ hơn so với các mô hình LLM lớn, AMD-135M tập trung vào hiệu quả và tốc độ, đáp ứng nhu cầu cụ thể của doanh nghiệp tư nhân.</p> <p><strong>8. Kết luận: Tầm nhìn tương lai của AMD trong lĩnh vực AI</strong></p> <p>AMD-135M không chỉ là một sản phẩm đơn thuần mà còn là một tuyên ngôn về tham vọng của AMD trong lĩnh vực AI. Với chiến lược toàn diện, công nghệ đột phá và cam kết mở nguồn, AMD đang dần khẳng định vị thế của mình trên bản đồ AI toàn cầu, hứa hẹn mang đến nhiều đột phá công nghệ 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">

AMD ra mắt mô hình ngôn ngữ nhỏ đầu tiên: AMD-135M - Một bước tiến mạnh mẽ trong lĩnh vực AI

AMD ra mắt mô hình ngôn ngữ nhỏ đầu tiên: AMD-135M - Một bước tiến mạnh mẽ trong lĩnh vực AI Mục lục: Giới thiệu AMD-135M: Mô hình ngôn n...

Read more »

Sử dụng Mô hình Ngôn ngữ Lớn Llama 3.2 Trên Máy Tính Cá Nhân

<h2 id="section-0">Sử dụng Mô hình Ngôn ngữ Lớn Llama 3.2 Trên Máy Tính Cá Nhân</h2> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu về Llama 3.2 và Msty</li> <li>Tải xuống và Cài đặt Msty</li> <li>Sử dụng Mô hình Llama 3.2-3B-Instruct trên Msty</li> <li>Sử dụng Mô hình Llama 3.2 Vision với Groq API</li> <li>Kết luận</li> <li>Về tác giả</li> </ol> <p><strong>1. Giới thiệu về Llama 3.2 và Msty</strong></p> <p>Llama 3.2 là thế hệ mô hình ngôn ngữ lớn mới nhất, nổi bật với hai phiên bản: phiên bản nhẹ (lightweight) và phiên bản thị giác (vision). Phiên bản nhẹ chuyên về sinh văn bản đa ngôn ngữ và gọi các công cụ (tool calling) cho các trường hợp phức tạp. Phiên bản thị giác, như tên gọi, xuất sắc trong việc lập luận hình ảnh, tạo ra phản hồi dựa trên hình ảnh đầu vào và lời nhắc (prompt).</p> <p>Để tận dụng tối đa sức mạnh của Llama 3.2, bài viết này hướng dẫn bạn sử dụng ứng dụng Msty – một ứng dụng chatbot máy tính để bàn mã nguồn mở, miễn phí, tích hợp nhiều tính năng mạnh mẽ. Bạn có thể tải xuống và sử dụng mô hình nguồn mở trực tiếp hoặc kết nối với mô hình trực tuyến thông qua API key.</p> <p><strong>2. Tải xuống và Cài đặt Msty</strong></p> <p>Để sử dụng Llama 3.2 trên máy tính cá nhân, bạn cần thực hiện các bước sau:</p> <ol> <li>Truy cập trang web <a href="https://msty.app/">msty.app</a> và tải xuống ứng dụng Msty.</li> <li>Cài đặt ứng dụng với các tùy chọn mặc định.</li> <li>Mở Msty và nhấp vào nút "Cài đặt" ở góc dưới bên trái.</li> <li>Chọn tab "Trí tuệ nhân tạo cục bộ" ("Local AI"), sau đó nhấp vào nút "Quản lý mô hình AI cục bộ" ("Manage Local AI Models").</li> <li>Cuối cùng, nhấp vào "Duyệt và tải xuống các mô hình trực tuyến" ("Browse & Download the Online Models").</li> </ol> <p><strong>3. Sử dụng Mô hình Llama 3.2-3B-Instruct trên Msty</strong></p> <p>Sau khi cài đặt Msty, hãy tải xuống mô hình Llama 3.2:</p> <ol> <li>Trong cửa sổ quản lý mô hình, chuyển sang tab "Hugging Face".</li> <li>Nhập liên kết kho lưu trữ mô hình: "bartowski/Llama-3.2-3B-Instruct-GGUF".</li> <li>Chọn phiên bản "Q4<em>k</em>M.gguf" và nhấp vào nút tải xuống. Quá trình này có thể mất vài phút.</li> </ol> <p>Sau khi tải xuống hoàn tất, bạn có thể sử dụng mô hình:</p> <ol> <li>Quay lại giao diện chính của Msty và chọn mô hình "Llama-3.2-3B-Instruct".</li> <li>Nhập lời nhắc (prompt) vào khung chat. Ví dụ: "Thuật toán sắp xếp nhanh nhất và phổ biến nhất là gì? Vui lòng cung cấp ví dụ mã."</li> </ol> <p>Kết quả trả về sẽ khá chính xác và chi tiết, thể hiện hiệu suất ấn tượng của mô hình Llama 3.2, vượt ngoài mong đợi từ một mô hình có kích thước tương đối nhỏ. Tốc độ xử lý cũng rất nhanh, khoảng 99.16 token mỗi giây.</p> <p><strong>4. Sử dụng Mô hình Llama 3.2 Vision với Groq API</strong></p> <p>Mô hình Llama 3.2 Vision hiện chưa có sẵn dưới dạng tệp GGUF, vì vậy bạn cần sử dụng API của Groq để truy cập.</p> <ol> <li>Tạo tài khoản trên <a href="https://console.groq.com/keys">GroqCloud</a> và lấy API key.</li> <li>Trên Msty, vào mục "Cài đặt" -> "Nhà cung cấp mô hình từ xa" ("Remote Model Providers").</li> <li>Nhấp vào "+ Thêm nhà cung cấp mới" ("+ Add New Provider").</li> <li>Chọn "Groq AI", dán API key và nhấp vào "+ Thêm mô hình tùy chỉnh" ("+ Add Custom Model").</li> <li>Đặt tên mô hình là "llama-3.2-11b-vision-preview".</li> <li>Chọn mô hình Groq AI Llama 3.2 Vision trong menu chat.</li> <li>Thêm hình ảnh và nhập lời nhắc. Ví dụ: "Hãy mô tả chi tiết hình ảnh này."</li> </ol> <p>Mô hình Llama 3.2 Vision sẽ mô tả hình ảnh với độ chính xác cao. Bạn có thể thử nghiệm với các mô hình khác của Groq AI bằng cách thêm chúng vào Msty tương tự. Thông tin chi tiết về các mô hình có sẵn trên <a href="https://console.groq.com/docs/models">GroqCloud</a>.</p> <p><strong>5. Kết luận</strong></p> <p>Việc sử dụng các ứng dụng chatbot máy tính để bàn với các mô hình ngôn ngữ lớn, cả nguồn mở và đóng, đã trở nên dễ dàng và khả thi hơn bao giờ hết. Ngay cả khi không có kết nối internet, bạn vẫn có thể sử dụng các mô hình này để sinh mã, gỡ lỗi, hay giải quyết nhiều vấn đề khác nhau. Bài viết này đã hướng dẫn bạn cách sử dụng ứng dụng Msty để truy cập các mô hình Llama 3.2 cục bộ và từ xa.</p> <p><strong>6. Về tác giả</strong></p> <p><strong>Abid Ali Awan</strong> (@1abidaliawan) là một chuyên gia khoa học dữ liệu, đam mê xây dựng các mô hình máy học và sáng tạo nội dung kỹ thuật về máy học và khoa học dữ liệu. Anh có bằng Thạc sĩ Quản lý Công nghệ và Cử nhân Kỹ thuật Viễn thông. Tầm nhìn của anh là xây dựng một sản phẩm AI sử dụng mạng lưới thần kinh đồ thị cho các sinh viên gặp khó khăn về sức khỏe tinh thần.</p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Sử dụng Mô hình Ngôn ngữ Lớn Llama 3.2 Trên Máy Tính Cá Nhân

Sử dụng Mô hình Ngôn ngữ Lớn Llama 3.2 Trên Máy Tính Cá Nhân Mục lục: Giới thiệu về Llama 3.2 và Msty Tải xuống và Cài đặt Msty Sử dụng...

Read more »

ByteDance và Chiến Lược AI Quốc Nội: Sự Phụ Thuộc Vào Huawei Trước Áp Lực Từ Mỹ

<h2 id="section-0">ByteDance và Chiến Lược AI Quốc Nội: Sự Phụ Thuộc Vào Huawei Trước Áp Lực Từ Mỹ</h2> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu: ByteDance và Cuộc Đua AI</li> <li>Chiến lược chuyển hướng: Tận dụng công nghệ Huawei</li> <li>Mô hình AI mới: Khả năng và thách thức</li> <li>Vấn đề nguồn cung: Gánh nặng chip Ascend 910B</li> <li>ByteDance và các đối tác: Quan hệ với Nvidia và Microsoft</li> <li>Kết luận: Tương lai của AI tại ByteDance</li> </ol> <p><strong>1. Giới thiệu: ByteDance và Cuộc Đua AI</strong></p> <p>Thị trường trí tuệ nhân tạo (AI) đang diễn ra một cuộc đua khốc liệt, và ByteDance, công ty mẹ của TikTok, không nằm ngoài cuộc chơi này. Với tham vọng trở thành một trong những gã khổng lồ AI toàn cầu, ByteDance đã liên tục đầu tư và phát triển công nghệ AI của mình, tích hợp nó vào các sản phẩm và dịch vụ đa dạng, từ chatbot Doubao cho đến công cụ chuyển văn bản thành video Jimeng. Tuy nhiên, áp lực từ các lệnh trừng phạt của Mỹ đang buộc ByteDance phải thay đổi chiến lược.</p> <p><strong>2. Chiến lược chuyển hướng: Tận dụng công nghệ Huawei</strong></p> <p>Trước những hạn chế xuất khẩu chip AI tiên tiến từ Mỹ, đặc biệt là từ Nvidia, ByteDance đang chuyển hướng sang các nhà cung cấp trong nước. Theo nguồn tin độc quyền từ Reuters, ByteDance lên kế hoạch phát triển một mô hình AI mới, chủ yếu dựa trên chip Ascend 910B của Huawei. Đây là một bước đi chiến lược quan trọng, thể hiện nỗ lực của ByteDance trong việc giảm phụ thuộc vào công nghệ nước ngoài và xây dựng hệ sinh thái AI độc lập. Việc này cũng thể hiện rõ xu hướng "quay về nội địa" của các công ty công nghệ Trung Quốc dưới áp lực địa chính trị.</p> <p><strong>3. Mô hình AI mới: Khả năng và thách thức</strong></p> <p>Mô hình AI mới được ByteDance dự định sử dụng chip Ascend 910B của Huawei để huấn luyện. Tuy nhiên, theo nguồn tin, sức mạnh tính toán của mô hình này sẽ yếu hơn so với Doubao, mô hình AI ngôn ngữ lớn hiện có của ByteDance. Điều này cho thấy ByteDance đang phải đối mặt với những thách thức về công nghệ. Chip Ascend 910B, mặc dù có tiềm năng, nhưng vẫn chưa đạt đến trình độ của các GPU cao cấp của Nvidia, đặc biệt là trong việc huấn luyện các mô hình AI đòi hỏi lượng dữ liệu khổng lồ và sức mạnh tính toán cực lớn.</p> <p><strong>4. Vấn đề nguồn cung: Gánh nặng chip Ascend 910B</strong></p> <p>Một trở ngại khác mà ByteDance gặp phải là vấn đề nguồn cung. Mặc dù đã đặt hàng hơn 100.000 chip Ascend 910B trong năm nay, nhưng tính đến tháng 7, ByteDance chỉ nhận được chưa đầy 30.000 chip. Sự thiếu hụt chip này đang cản trở tiến độ phát triển mô hình AI mới và khiến ByteDance khó đặt ra được mốc thời gian cụ thể cho dự án.</p> <p><strong>5. ByteDance và các đối tác: Quan hệ với Nvidia và Microsoft</strong></p> <p>ByteDance vẫn duy trì quan hệ hợp tác với các công ty công nghệ hàng đầu thế giới. Họ là khách hàng lớn nhất của chip H20 AI của Nvidia tại châu Á, một sản phẩm được Nvidia thiết kế riêng cho thị trường Trung Quốc để đáp ứng các hạn chế thương mại. Bên cạnh đó, ByteDance cũng là khách hàng lớn nhất của Microsoft tại châu Á về dịch vụ điện toán đám mây sử dụng chip Nvidia. Điều này cho thấy sự đa dạng hóa chiến lược của ByteDance trong việc tiếp cận công nghệ AI, bất chấp những khó khăn từ lệnh trừng phạt.</p> <p><strong>6. Kết luận: Tương lai của AI tại ByteDance</strong></p> <p>Việc ByteDance chuyển hướng sang sử dụng chip Huawei cho thấy sự linh hoạt và khả năng thích ứng của công ty trước những thay đổi phức tạp trên thị trường toàn cầu. Tuy nhiên, việc phụ thuộc vào nguồn cung trong nước cũng tiềm ẩn những rủi ro. Thành công của chiến lược này phụ thuộc vào việc Huawei có thể đáp ứng được nhu cầu chip ngày càng tăng của ByteDance và phát triển công nghệ chip AI cạnh tranh với các đối thủ quốc tế hay không. Tương lai của AI tại ByteDance sẽ phụ thuộc vào khả năng vượt qua những thách thức này và tận dụng tối đa cả nguồn lực trong nước lẫn quốc tế. Cuộc đua AI vẫn đang tiếp diễn, và ByteDance đang nỗ lực hết mình để giữ vững vị trí của mình trên đấu trường này.</p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

ByteDance và Chiến Lược AI Quốc Nội: Sự Phụ Thuộc Vào Huawei Trước Áp Lực Từ Mỹ

ByteDance và Chiến Lược AI Quốc Nội: Sự Phụ Thuộc Vào Huawei Trước Áp Lực Từ Mỹ Mục lục: Giới thiệu: ByteDance và Cuộc Đua AI Chiến lược...

Read more »

Sendbird AI Chatbot: Thành công vượt trội, thu hút hơn 520 khách hàng doanh nghiệp chỉ sau 6 tháng ra mắt

<h2 id="section-0">Sendbird AI Chatbot: Thành công vượt trội, thu hút hơn 520 khách hàng doanh nghiệp chỉ sau 6 tháng ra mắt</h2> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu Sendbird AI Chatbot</li> <li>Khả năng tạo chatbot không cần mã hóa</li> <li>Thống kê ấn tượng về lượng khách hàng và doanh thu</li> <li>Phân bổ khách hàng theo khu vực và quy mô doanh nghiệp</li> <li>Ngành công nghiệp áp dụng Sendbird AI Chatbot</li> <li>Nhận định từ CEO Sendbird</li> <li>Kết luận</li> </ol> <p><strong>1. Giới thiệu Sendbird AI Chatbot</strong></p> <p>Ngày 30 tháng 9 năm 2024, công ty Sendbird, chuyên về nền tảng giao tiếp trí tuệ nhân tạo (AI), đã công bố một thành tích đáng kinh ngạc: giải pháp chatbot AI không cần mã hoá "Sendbird AI Chatbot", ra mắt vào tháng 2, đã thu hút hơn 520 khách hàng doanh nghiệp trên toàn cầu chỉ trong vòng 6 tháng. Đây là minh chứng rõ nét cho nhu cầu ngày càng tăng đối với các giải pháp chatbot AI dễ sử dụng và hiệu quả.</p> <p><strong>2. Khả năng tạo chatbot không cần mã hóa</strong></p> <p>Điểm nổi bật của Sendbird AI Chatbot chính là khả năng cho phép người dùng tạo chatbot một cách dễ dàng mà không cần kiến thức lập trình. Chỉ cần thiết kế chatbot trên bảng điều khiển Sendbird và chèn một dòng mã được tự động tạo ra vào trang quản trị website, bạn có thể tích hợp chatbot AI dưới dạng widget chỉ trong 5 phút. Khách hàng còn có thể lựa chọn và sử dụng các mô hình ngôn ngữ lớn (LLMs) từ nhiều công ty hàng đầu như OpenAI, Meta và Upstage, đảm bảo sự linh hoạt và tối ưu hóa hiệu suất.</p> <p><strong>3. Thống kê ấn tượng về lượng khách hàng và doanh thu</strong></p> <p>Tính đến thời điểm công bố, Sendbird đã có hơn 520 khách hàng trên toàn cầu sử dụng Sendbird AI Chatbot kể từ khi ra mắt vào tháng 2, với tổng số tài khoản đăng ký lên tới gần 13.000. Con số này cho thấy sự đón nhận tích cực của thị trường đối với sản phẩm.</p> <p><strong>4. Phân bổ khách hàng theo khu vực và quy mô doanh nghiệp</strong></p> <p>Khu vực chiếm tỷ lệ lớn nhất về khách hàng trả phí là châu Mỹ (47.54%), trong đó các công ty Mỹ chiếm 35%. Tiếp theo là khu vực châu Á - Thái Bình Dương (APAC) với 27.83% và châu Âu - châu Phi với 14.95%. Về quy mô doanh nghiệp, chủ doanh nghiệp nhỏ chiếm 62.12%, doanh nghiệp vừa và nhỏ chiếm 26.42%, và các công ty lớn cùng các startup lớn chiếm 11.45%.</p> <p><strong>5. Ngành công nghiệp áp dụng Sendbird AI Chatbot</strong></p> <p>Sendbird AI Chatbot đang được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm bán lẻ và thương mại điện tử, chăm sóc sức khỏe, du lịch hàng không, doanh nghiệp B2B và phần mềm, cũng như các công ty Fintech. Tại Hàn Quốc, một số khách hàng lớn sử dụng giải pháp này gồm Lotte World, Lotte Home Shopping và SK Telecom.</p> <p><strong>6. Nhận định từ CEO Sendbird</strong></p> <p>Ông Kim Dong-shin, CEO của Sendbird, chia sẻ: "Mặc dù trước đây có xu hướng e ngại việc áp dụng các dịch vụ AI Generative ở Bắc Mỹ, khu vực châu Á - Thái Bình Dương và châu Âu, tôi rất tự hào vì Sendbird AI Chatbot đang trở thành một giải pháp nhanh chóng và đáng tin cậy hơn, đáp ứng được kỳ vọng của khách hàng."</p> <p><strong>7. Kết luận</strong></p> <p>Sendbird AI Chatbot đã chứng minh được tiềm năng và sức mạnh của giải pháp chatbot AI không cần mã hóa. Với tốc độ phát triển nhanh chóng và sự chấp nhận rộng rãi từ các doanh nghiệp trên toàn cầu, Sendbird đang khẳng định vị thế dẫn đầu trong lĩnh vực này và hứa hẹn sẽ tiếp tục tạo ra những đột phá trong tương lai. Sự thành công của Sendbird AI Chatbot cho thấy xu hướng ngày càng rõ nét của việc ứng dụng AI để tự động hóa quy trình chăm sóc khách hàng và nâng cao hiệu quả hoạt động kinh doanh.</p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Sendbird AI Chatbot: Thành công vượt trội, thu hút hơn 520 khách hàng doanh nghiệp chỉ sau 6 tháng ra mắt

Sendbird AI Chatbot: Thành công vượt trội, thu hút hơn 520 khách hàng doanh nghiệp chỉ sau 6 tháng ra mắt Mục lục: Giới thiệu Sendbird AI...

Read more »

AI Có Thực Sự Hiểu Ngôn Ngữ? - Một Cái Nhìn Từ Góc Độ Toán Học

<h2 id="section-0">AI Có Thực Sự Hiểu Ngôn Ngữ? - Một Cái Nhìn Từ Góc Độ Toán Học</h2> <p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu: Sự Phức Tạp Của Hiểu Ngôn Ngữ trong AI</li> <li>Vecto Từ (Word Embeddings): Bản Chất Toán Học Của Ý Nghĩa</li> <li>Tạo Vecto Từ: Từ Thủ Công Đến Học Máy</li> <li>Phép Toán Từ: Sự Kỳ Diệu Của Vecto Từ</li> <li>Vecto Từ Như Một Bản Đồ: Sự Giống Nhau Và Khác Biệt</li> <li>Cơ Sở Thống Kê: Sự Liên Quan Giữa Văn Cảnh Và Ý Nghĩa</li> <li>Giới Hạn Của Vecto Từ: Sự Khác Biệt Giữa AI và Con Người</li> <li>Kết Luận: AI và Tương Lai Của Hiểu Ngôn Ngữ</li> </ol> <p><strong>1. Giới thiệu: Sự Phức Tạp Của Hiểu Ngôn Ngữ trong AI</strong></p> <p>Một bức tranh có thể đáng giá ngàn lời nói, nhưng một từ thì đáng giá bao nhiêu con số? Câu hỏi tưởng chừng đơn giản này lại là nền tảng của các mô hình ngôn ngữ lớn (LLM) – và qua đó, nhiều ứng dụng hiện đại của trí tuệ nhân tạo. Bài viết này sẽ đi sâu vào khám phá cách thức AI xử lý ngôn ngữ, tập trung vào khái niệm vecto từ (word embeddings) – một công cụ toán học mạnh mẽ nhưng cũng đầy bí ẩn.</p> <p><strong>2. Vecto Từ (Word Embeddings): Bản Chất Toán Học Của Ý Nghĩa</strong></p> <p>Mỗi LLM có cách riêng để biểu diễn từ. Trong mô hình Llama 3 của Meta, mỗi từ được chia thành các mã thông tin (token) được biểu diễn bằng 4096 con số; với một phiên bản GPT-3, con số này là 12288. Những chuỗi số dài này – được gọi là vecto từ – dường như chỉ là những dãy chữ số khó hiểu. Tuy nhiên, khi được kết hợp với nhau, chúng mã hóa các mối quan hệ toán học giữa các từ, tạo ra thứ gần giống với ý nghĩa.</p> <p><strong>3. Tạo Vecto Từ: Từ Thủ Công Đến Học Máy</strong></p> <p>Ý tưởng cơ bản về vecto từ đã xuất hiện từ nhiều thập kỷ trước. Để mô hình hóa ngôn ngữ trên máy tính, ta bắt đầu bằng việc liệt kê các đặc điểm quan trọng của mỗi từ trong từ điển. “Bạn có thể hình dung nó như trò chơi 20 câu hỏi”, Ellie Pavlick, nhà khoa học máy tính tại Đại học Brown và Google DeepMind, giải thích. “Động vật, thực vật, đồ vật – các đặc điểm có thể là bất cứ thứ gì mà con người cho là hữu ích để phân biệt các khái niệm.” Sau đó, gán giá trị số cho mỗi đặc điểm. Ví dụ, từ “chó” sẽ có điểm số cao về “lông lá” nhưng thấp về “kim loại”. Kết quả là mỗi từ sẽ được nhúng các liên kết ngữ nghĩa và mối quan hệ với các từ khác vào một chuỗi số duy nhất.</p> <p>Trước đây, các nhà nghiên cứu tự tay xác định các vecto từ này. Ngày nay, chúng được tạo ra tự động bằng mạng neural, được huấn luyện để nhóm các từ (hoặc mã thông tin) theo các đặc điểm mà chính mạng neural tự định nghĩa. “Có thể một đặc điểm phân biệt danh từ và động từ rất tốt, và một đặc điểm khác phân biệt các từ có xu hướng xuất hiện sau dấu chấm với các từ không xuất hiện sau dấu chấm”, Pavlick nói.</p> <p><strong>4. Phép Toán Từ: Sự Kỳ Diệu Của Vecto Từ</strong></p> <p>Mặc dù nhiều đặc điểm được mã hóa trong các vecto từ không thể diễn giải được bằng con người, nhưng khi mạng neural được huấn luyện với nhiệm vụ mô hình ngôn ngữ (dự đoán từ tiếp theo trong một chuỗi), các vecto từ được học lại không hề tùy tiện. Các giá trị được thiết lập sao cho các từ có liên kết tương tự sẽ có các vecto từ tương tự về mặt toán học. Ví dụ, vecto từ của “chó” và “mèo” sẽ giống nhau hơn so với vecto từ của “chó” và “ghế”.</p> <p>Hiện tượng này khiến vecto từ trở nên bí ẩn: mạng neural biến đổi các con số thô thành ý nghĩa ngôn ngữ, “như biến rơm thành vàng”. Những ví dụ nổi tiếng về “phép toán từ” – ví dụ như <em>vua</em> trừ đi <em>đàn ông</em> cộng với <em>phụ nữ</em> xấp xỉ bằng <em>hoàng hậu</em> – càng làm tăng thêm vẻ huyền bí xung quanh vecto từ. Chúng dường như là kho lưu trữ phong phú về những gì LLM “biết”.</p> <p><strong>5. Vecto Từ Như Một Bản Đồ: Sự Giống Nhau Và Khác Biệt</strong></p> <p>Tuy nhiên, kiến thức này không giống như những gì ta tìm thấy trong từ điển. Nó giống như một bản đồ. Nếu bạn tưởng tượng mỗi vecto từ là một tập hợp tọa độ trên một bản đồ nhiều chiều, bạn sẽ thấy các mẫu nhất định xuất hiện. Các từ nhất định sẽ nhóm lại với nhau. “Chó” và “mèo” sẽ có tọa độ gần nhau hơn “chó” và “ghế”.</p> <p>Nhưng không giống như các điểm trên bản đồ, các tọa độ này chỉ tham chiếu lẫn nhau, không tham chiếu đến bất kỳ vùng lãnh thổ nào bên dưới. Các vecto từ của “chó” hoặc “mèo” giống như các tọa độ trong không gian giữa các vì sao: vô nghĩa, ngoại trừ khoảng cách của chúng với các điểm đã biết khác.</p> <p><strong>6. Cơ Sở Thống Kê: Sự Liên Quan Giữa Văn Cảnh Và Ý Nghĩa</strong></p> <p>Tại sao vecto từ của “chó” và “mèo” lại giống nhau? Vì chúng tận dụng điều mà các nhà ngôn ngữ học đã biết từ lâu: các từ được sử dụng trong ngữ cảnh tương tự thường có nghĩa tương tự. Trong câu “Tôi thuê người trông thú cưng để cho ăn ____”, từ tiếp theo có thể là “chó” hoặc “mèo”, nhưng không thể là “ghế”. Bạn không cần từ điển để xác định điều này, chỉ cần thống kê.</p> <p>Vecto từ – các tọa độ ngữ cảnh dựa trên thống kê – là cách LLM tìm điểm xuất phát tốt để đưa ra dự đoán từ tiếp theo, mà không cần dựa vào định nghĩa.</p> <p><strong>7. Giới Hạn Của Vecto Từ: Sự Khác Biệt Giữa AI và Con Người</strong></p> <p>Một số từ trong một số ngữ cảnh nhất định phù hợp với nhau hơn những từ khác, đôi khi chính xác đến mức không có từ nào khác có thể thay thế được. Theo nhiều nhà ngôn ngữ học, một phần lớn lý do con người có thể phân biệt sự phù hợp này là vì chúng ta không chỉ liên hệ các từ với nhau mà còn biết chúng đề cập đến cái gì. Mô hình ngôn ngữ thì không, vì vecto từ không hoạt động theo cách đó.</p> <p><strong>8. Kết Luận: AI và Tương Lai Của Hiểu Ngôn Ngữ</strong></p> <p>Mặc dù vậy, vecto từ đã chứng minh hiệu quả đáng ngạc nhiên như một phương tiện thay thế cho ý nghĩa ngữ nghĩa. Đây là một trong những lý do tại sao các mô hình ngôn ngữ lớn đã nhanh chóng vươn lên hàng đầu trong lĩnh vực AI. Khi các đối tượng toán học này khớp với mong đợi của chúng ta, nó tạo cảm giác như trí thông minh; khi chúng không khớp, chúng ta gọi đó là “ảo giác”. Tuy nhiên, đối với LLM, không có sự khác biệt. Chúng chỉ là các danh sách số, lạc mất trong không gian. Việc hiểu ngôn ngữ một cách thực sự, giống như con người, vẫn còn là một thách thức lớn đối 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">

AI Có Thực Sự Hiểu Ngôn Ngữ? - Một Cái Nhìn Từ Góc Độ Toán Học

AI Có Thực Sự Hiểu Ngôn Ngữ? - Một Cái Nhìn Từ Góc Độ Toán Học Mục lục: Giới thiệu: Sự Phức Tạp Của Hiểu Ngôn Ngữ trong AI Vecto Từ (Wor...

Read more »

Kính thông minh Orion của Meta: Liệu có tạo nên cuộc cách mạng và đưa Meta vào "Câu lạc bộ 2 nghìn tỷ đô la"?

<h2 id="section-0">Kính thông minh Orion của Meta: Liệu có tạo nên cuộc cách mạng và đưa Meta vào "Câu lạc bộ 2 nghìn tỷ đô la"?</h2> <p><strong>Mục lục:</strong></p> <ol> <li>Meta: Từ phục hồi ấn tượng đến tham vọng Metaverse</li> <li>Orion: Kính AR mang diện mạo "bình thường" nhưng tiềm năng "khổng lồ"</li> <li>Chiến lược "tự chủ" của Meta và cuộc chiến với Apple</li> <li>Reality Labs: Con đường đến lợi nhuận và sự đột phá của Orion</li> <li>Orion: Tiềm năng to lớn, nhưng vẫn còn trong giai đoạn thử nghiệm</li> <li>Nên đầu tư vào Meta Platforms ngay bây giờ không?</li> </ol> <p><strong>1. Meta: Từ phục hồi ấn tượng đến tham vọng Metaverse</strong></p> <p>Cổ phiếu của Meta Platforms (NASDAQ: META) đã có một năm tăng trưởng ngoạn mục. Điều này không đến từ những nỗ lực trong lĩnh vực Metaverse, như cái tên mới của công ty gợi ý, mà chủ yếu nhờ vào sự phục hồi mạnh mẽ của mảng quảng cáo trên mạng xã hội. Các thuật toán trí tuệ nhân tạo (AI) thông minh hơn đã góp phần đáng kể vào thành công này. Thêm vào đó, các mô hình ngôn ngữ lớn (LLM) mã nguồn mở Llama của Meta cũng tạo nên tiếng vang lớn, khẳng định vị thế của Meta như một "ông lớn" trong làng AI.</p> <p>Tuy nhiên, giữa bối cảnh phát triển mạnh mẽ của AI, các nhà đầu tư dường như đang bỏ qua mảng Metaverse của Meta. Điều này nghe có vẻ kỳ lạ, nhất là khi công ty từng đổi tên từ Facebook sang Meta vào năm 2021. Với việc mảng Reality Labs liên tục lỗ hàng tỷ đô la mỗi quý, nhiều nhà đầu tư đã xem đây là một khoản đầu tư không mấy khả quan.</p> <p><strong>2. Orion: Kính AR mang diện mạo "bình thường" nhưng tiềm năng "khổng lồ"</strong></p> <p>Tuy nhiên, tất cả đã thay đổi khi Meta ra mắt Orion. Mặc dù vẫn còn ở giai đoạn nguyên mẫu, chiếc kính thực tế tăng cường (AR) này hứa hẹn sẽ là một "trò chơi thay đổi cục diện" cho Reality Labs và Meta nói chung.</p> <p>Orion khác biệt hoàn toàn so với các sản phẩm trước đây của Meta. Không giống như kính VR Quest cồng kềnh và không trong suốt, hay kính thông minh Ray-Ban chỉ có khả năng chụp ảnh và quay phim hạn chế, Orion có thiết kế giống như kính mắt thông thường, trong suốt và tích hợp khả năng tính toán AR tiên tiến. Hình ảnh ảo được hiển thị trực tiếp trên kính, cho phép người dùng tương tác với môi trường xung quanh một cách tự nhiên. Công nghệ AI của Meta cũng được tích hợp, mở ra nhiều ứng dụng thực tiễn, ví dụ như gợi ý công thức nấu ăn dựa trên các thực phẩm trong tủ lạnh được quan sát qua kính.</p> <p>Đây có thể là thiết bị đầu tiên của Meta thực sự được người tiêu dùng sử dụng hàng ngày, tiềm năng thay thế một số chức năng của điện thoại thông minh.</p> <p><strong>3. Chiến lược "tự chủ" của Meta và cuộc chiến với Apple</strong></p> <p>Meta đang đầu tư mạnh vào Metaverse vì mục tiêu sở hữu nền tảng điện toán phổ biến tiếp theo. Hiện tại, Meta phải phụ thuộc vào các thiết bị của đối thủ cạnh tranh, chủ yếu là điện thoại thông minh Android và iOS. CEO Mark Zuckerberg ước tính điều này khiến Meta mất hàng tỷ đô la doanh thu mỗi năm. Ông từng chỉ ra rằng Apple (NASDAQ: AAPL) đã gây thiệt hại khoảng 10 tỷ đô la doanh thu cho Meta trong năm 2022, sau khi Apple áp dụng các biện pháp bảo mật nghiêm ngặt hơn về thu thập dữ liệu trên iPhone. Mặc dù Meta đã sử dụng AI để cải thiện tương tác và nhắm mục tiêu quảng cáo, nhưng Zuckerberg vẫn khẳng định Meta sẽ có lợi nhuận "cao hơn nhiều" nếu không có sự hạn chế của Apple.</p> <p><strong>4. Reality Labs: Con đường đến lợi nhuận và sự đột phá của Orion</strong></p> <p>Mảng Reality Labs của Meta hiện đang chịu lỗ nặng (khoảng 18 tỷ đô la trong năm nay), khiến các nhà đầu tư khó hiểu về khả năng thu hồi vốn. Tuy nhiên, Orion không chỉ đơn thuần là tạo ra doanh thu từ bán phần cứng. Việc "tự chủ" khỏi hệ sinh thái Apple và Android có thể mở ra hàng tỷ đô la doanh thu có lợi nhuận cao từ việc vận hành các nền tảng Facebook, Instagram và WhatsApp trực tiếp trên nền tảng của riêng Meta.</p> <p>Sự kết hợp giữa phần cứng tiên tiến và công nghệ AI cũng tạo nên sức mạnh cạnh tranh vượt trội. Chuyên gia phân tích Barton Crockett của Rosenblatt đã nâng mức giá mục tiêu của cổ phiếu Meta từ 643 đô la lên 811 đô la sau sự kiện ra mắt Orion, đánh giá cao tiềm năng của sản phẩm này.</p> <p><strong>5. Orion: Tiềm năng to lớn, nhưng vẫn còn trong giai đoạn thử nghiệm</strong></p> <p>Cần lưu ý rằng Orion vẫn đang trong giai đoạn nguyên mẫu, hiện đang được thử nghiệm nội bộ tại Meta và một nhóm nhà phát triển chọn lọc. Tuy nhiên, nếu Orion được bán ra thị trường trong vòng một hoặc hai năm tới, nó có thể tạo ra bước ngoặt cho mảng Reality Labs. Theo Meta, kính Orion là kết quả của "hàng chục cải tiến" về thu nhỏ và đóng gói các thành phần chỉ cách nhau vài milimet. Điều này cho thấy sự khó khăn trong việc sao chép công nghệ này, thậm chí đối với những công ty khổng lồ khác.</p> <p><strong>6. Nên đầu tư vào Meta Platforms ngay bây giờ không?</strong></p> <p>Với mức P/E chỉ 23.5 lần dự báo thu nhập năm sau, ngay cả khi trừ đi khoản lỗ hàng chục tỷ đô la từ Metaverse, cổ phiếu Meta vẫn được đánh giá là khá hấp dẫn, đặc biệt là khi mảng phần cứng đang cho thấy những bước đột phá đáng chú ý. Tuy nhiên, quyết định đầu tư luôn cần cân nhắc kỹ lưỡng và dựa trên tình hình tài chính cá nhân cũng như phân tích kỹ lưỡng từ nhiều nguồn tin khác nhau. Bài viết này chỉ mang tính chất thông tin tham khảo.</p><br><img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Kính thông minh Orion của Meta: Liệu có tạo nên cuộc cách mạng và đưa Meta vào "Câu lạc bộ 2 nghìn tỷ đô la"?

Kính thông minh Orion của Meta: Liệu có tạo nên cuộc cách mạng và đưa Meta vào "Câu lạc bộ 2 nghìn tỷ đô la"? Mục lục: Meta: Từ...

Read more »