Agent.ai.vn

Lammafactory: Hướng dẫn cài đặt và thiết lập chi tiết

<h2 id="section-0">Lammafactory: Hướng dẫn cài đặt và thiết lập chi tiết</h2>
Mục lục:
<ol>
<li>Giới thiệu Lammafactory</li>
<li>Các mô hình và định dạng dữ liệu được hỗ trợ<ul>
<li>Dữ liệu tiền huấn luyện</li>
<li>Dữ liệu tinh chỉnh có giám sát (SFT)</li>
<li>Dữ liệu mô hình phần thưởng (Reward Modeling)</li></ul></li>
<li>Cài đặt và thiết lập</li>
<li>Tinh chỉnh LLM (Fine-tuning)<ul>
<li>Cấu hình tập dữ liệu</li>
<li>Cấu hình quá trình huấn luyện</li>
<li>Bắt đầu huấn luyện</li></ul></li>
<li>Suy luận (Inference)</li>
<li>Giao diện người dùng (WebUI) - LlamaBoard</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu Lammafactory
Huấn luyện các Mô Hình Ngôn Ngữ Lớn (LLM) luôn là một công việc phức tạp và tốn nhiều thời gian. Ngay cả với sự hỗ trợ rộng rãi từ các nền tảng công khai như HuggingFace, quá trình này vẫn đòi hỏi phải thiết lập nhiều script khác nhau cho từng giai đoạn của pipeline. Từ chuẩn bị dữ liệu cho giai đoạn tiền huấn luyện, tinh chỉnh, hoặc RLHF cho đến việc cấu hình mô hình, lượng tử hóa và LORAs, huấn luyện một LLM đòi hỏi nỗ lực thủ công và tinh chỉnh tỉ mỉ.
LLama-Factory ra mắt vào năm 2024 nhằm giải quyết chính xác vấn đề này. Kho lưu trữ trên GitHub này làm cho việc thiết lập huấn luyện mô hình cho tất cả các giai đoạn trong vòng đời của một LLM trở nên cực kỳ thuận tiện. Từ tiền huấn luyện đến SFT và thậm chí cả RLHF, kho lưu trữ này cung cấp hỗ trợ tích hợp cho việc thiết lập và huấn luyện tất cả các LLM mới nhất hiện có.
2. Các mô hình và định dạng dữ liệu được hỗ trợ
LLama-Factory hỗ trợ hầu hết các mô hình hiện đại, bao gồm LLama, LLava, Mixtral Mixture-of-Experts, Qwen, Phi, và Gemma cùng nhiều mô hình khác. Danh sách đầy đủ có thể được tìm thấy <a href="https://github.com/hiyouga/LLaMA-Factory/blob/main/src/llamafactory/extras/constants.py">tại đây</a>. Nó hỗ trợ tiền huấn luyện, SFT, và các kỹ thuật RL chính bao gồm DPO, PPO, và ORPO, cho phép tất cả các phương pháp mới nhất từ tinh chỉnh đầy đủ đến tinh chỉnh cố định, LORAs, QLoras, và Agent Tuning.
Hơn nữa, LLama-Factory cũng cung cấp các tập dữ liệu mẫu cho mỗi bước huấn luyện. Các tập dữ liệu mẫu thường tuân theo mẫu Alpaca, mặc dù định dạng ShareGPT cũng được hỗ trợ. Chúng ta sẽ làm rõ định dạng dữ liệu Alpaca bên dưới để hiểu rõ hơn về cách thiết lập dữ liệu độc quyền của bạn.
Lưu ý quan trọng: Khi sử dụng dữ liệu của riêng bạn, bạn phải chỉnh sửa và thêm thông tin về tệp dữ liệu của mình vào tệp <code>dataset_info.json</code> trong thư mục <code>Llama-Factory/data</code>. (<a href="https://github.com/hiyouga/LLaMA-Factory/blob/main/data/dataset_info.json">Link</a>)
<ul>
<li>Dữ liệu tiền huấn luyện: Dữ liệu được lưu trữ trong tệp JSON và chỉ cột <code>text</code> được sử dụng để huấn luyện LLM. Định dạng dữ liệu cần như sau:</li>
</ul>
<pre><code class="json language-json">[
 {"text": "văn bản 1"},
 {"text": "văn bản 2"}
]
</code></pre>
<ul>
<li>Dữ liệu tinh chỉnh có giám sát (SFT): Trong dữ liệu SFT, có ba tham số bắt buộc: <code>instruction</code> (hướng dẫn), <code>input</code> (đầu vào), và <code>output</code> (đầu ra). Tuy nhiên, <code>system</code> (lời nhắc hệ thống) và <code>history</code> (lịch sử) có thể được truyền tùy chọn và sẽ được sử dụng để huấn luyện mô hình nếu được cung cấp trong tập dữ liệu. Định dạng Alpaca chung cho dữ liệu SFT như sau:</li>
</ul>
<pre><code class="json language-json">[
 {
 "instruction": "Hướng dẫn của người dùng (bắt buộc)",
 "input": "Đầu vào của người dùng (tùy chọn)",
 "output": "Phản hồi của mô hình (bắt buộc)",
 "system": "Lời nhắc hệ thống (tùy chọn)",
 "history": [
 ["Hướng dẫn vòng 1 (tùy chọn)", "Phản hồi vòng 1 (tùy chọn)"],
 ["Hướng dẫn vòng 2 (tùy chọn)", "Phản hồi vòng 2 (tùy chọn)"]
 ]
 }
]
</code></pre>
<ul>
<li>Dữ liệu mô hình phần thưởng (Reward Modeling): LLama-Factory hỗ trợ huấn luyện LLM để sắp xếp ưu tiên bằng RLHF. Định dạng dữ liệu phải cung cấp hai phản hồi khác nhau cho cùng một hướng dẫn, làm nổi bật sự ưu tiên của việc sắp xếp. Phản hồi được sắp xếp tốt hơn được chuyển đến khóa <code>chosen</code> và phản hồi kém hơn được chuyển đến tham số <code>rejected</code>. Định dạng dữ liệu như sau:</li>
</ul>
<pre><code class="json language-json">[
 {
 "instruction": "Hướng dẫn của người dùng (bắt buộc)",
 "input": "Đầu vào của người dùng (tùy chọn)",
 "chosen": "Câu trả lời được chọn (bắt buộc)",
 "rejected": "Câu trả lời bị loại bỏ (bắt buộc)"
 }
]
</code></pre>
3. Cài đặt và thiết lập
Kho lưu trữ GitHub (<a href="https://github.com/hiyouga/LLaMA-Factory">Link</a>) cung cấp hỗ trợ cài đặt dễ dàng bằng <code>setup.py</code> và tệp yêu cầu. Tuy nhiên, nên sử dụng môi trường Python sạch khi thiết lập kho lưu trữ để tránh xung đột giữa các gói.
Mặc dù Python 3.8 là yêu cầu tối thiểu, nhưng nên cài đặt Python 3.11 trở lên. Sao chép kho lưu trữ từ GitHub bằng lệnh sau:
<pre><code class="bash language-bash">git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
</code></pre>
Tạo một môi trường Python mới:
<pre><code class="bash language-bash">python3.11 -m venv venv
source venv/bin/activate
</code></pre>
Cài đặt các gói cần thiết:
<pre><code class="bash language-bash">pip install -e ".[torch,metrics]"
</code></pre>
Điều này sẽ cài đặt tất cả các gói phụ thuộc cần thiết, bao gồm torch, trl, accelerate, và các gói khác. Để đảm bảo cài đặt chính xác, bạn nên có thể sử dụng giao diện dòng lệnh của LLama-Factory. Chạy lệnh sau sẽ hiển thị thông tin trợ giúp về cách sử dụng trên terminal:
<pre><code class="bash language-bash">llamafactory-cli
</code></pre>
4. Tinh chỉnh LLM (Fine-tuning)
Bây giờ, bạn có thể bắt đầu huấn luyện LLM! Điều này rất đơn giản, chỉ cần tạo một tệp cấu hình và gọi lệnh bash.
Lưu ý: Bạn cần GPU để huấn luyện LLM bằng LLama-factory.
Trong ví dụ này, chúng ta sẽ thực hiện SFT dựa trên LORA cho Phi3-mini-Instruct. Chúng ta sẽ tạo một tệp cấu hình YAML, nhưng bạn cũng có thể sử dụng tệp JSON.
Tạo tệp <code>config.yaml</code> như sau (bạn có thể tìm thấy nhiều ví dụ khác nhau trong thư mục <code>examples</code> của kho lưu trữ):
<pre><code class="yaml language-yaml">### model
model_name_or_path: microsoft/Phi-3.5-mini-instruct

### method
stage: sft
do_train: true
finetuning_type: lora
lora_target: all

### dataset
dataset: alpaca_en_demo
template: llama3
cutoff_len: 1024
max_samples: 1000
overwrite_cache: true
preprocessing_num_workers: 16

### output
output_dir: saves/phi-3/lora/sft
logging_steps: 10
save_steps: 500
plot_loss: true
overwrite_output_dir: true

### train
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
learning_rate: 1.0e-4
num_train_epochs: 3.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: true
ddp_timeout: 180000000

### eval
val_size: 0.1
per_device_eval_batch_size: 1
eval_strategy: steps
eval_steps: 500
</code></pre>
<ul>
<li>Cấu hình tập dữ liệu: Tên tập dữ liệu được chỉ định trong <code>dataset: alpaca_en_demo</code> là một tham số quan trọng. Các chi tiết khác về tập dữ liệu cần được thêm vào tệp <code>dataset_info.json</code> trong thư mục <code>data</code>. Thông tin này bao gồm đường dẫn tệp dữ liệu, định dạng dữ liệu và các cột được sử dụng. Trong hướng dẫn này, chúng ta sử dụng tập dữ liệu <code>alpaca_en_demo</code> (<a href="https://github.com/hiyouga/LLaMA-Factory/blob/main/data/alpaca_en_demo.json">Link</a>).</li>
<li>Cấu hình quá trình huấn luyện: Việc thay đổi loại huấn luyện trong LLama-Factory rất dễ dàng, chỉ cần thay đổi tham số cấu hình. Như đã thấy ở trên, chúng ta chỉ cần các tham số sau để thiết lập SFT dựa trên LORA cho LLM.</li>
</ul>
<pre><code class="yaml language-yaml">### method
stage: sft
do_train: true
finetuning_type: lora
lora_target: all
</code></pre>
Bạn có thể thay thế SFT bằng tiền huấn luyện và reward modeling với các tệp cấu hình chính xác có sẵn trong thư mục <code>examples</code>.
<ul>
<li>Bắt đầu huấn luyện: Gọi lệnh sau để bắt đầu huấn luyện:</li>
</ul>
<pre><code class="bash language-bash">llamafactory-cli train config.yaml
</code></pre>
Chương trình sẽ tự động thiết lập tất cả các tập dữ liệu, mô hình và pipeline cần thiết cho quá trình huấn luyện.
5. Suy luận (Inference)
Quá trình suy luận thậm chí còn đơn giản hơn huấn luyện mô hình. Bạn cần một tệp cấu hình tương tự như huấn luyện, cung cấp mô hình cơ sở và đường dẫn đến bộ điều hợp LORA đã được huấn luyện.
Tạo tệp <code>infer_config.yaml</code>:
<pre><code class="yaml language-yaml">model_name_or_path: microsoft/Phi-3.5-mini-instruct
adapter_name_or_path: saves/phi3-8b/lora/sft/ # Đường dẫn đến mô hình đã huấn luyện
template: llama3
finetuning_type: lora
</code></pre>
Trò chuyện với mô hình đã được huấn luyện trên dòng lệnh:
<pre><code class="bash language-bash">llamafactory-cli chat infer_config.yaml
</code></pre>
6. Giao diện người dùng (WebUI) - LlamaBoard
LLama-factory cung cấp tùy chọn huấn luyện và suy luận không cần mã với LlamaBoard.
Khởi động GUI bằng lệnh:
<pre><code class="bash language-bash">llamafactory-cli webui
</code></pre>
7. Kết luận
LLama-factory đang nhanh chóng trở nên phổ biến với hơn 30.000 sao trên GitHub. Nó làm cho việc cấu hình và huấn luyện LLM từ đầu trở nên đơn giản hơn đáng kể, loại bỏ nhu cầu thiết lập thủ công pipeline huấn luyện cho các phương pháp khác nhau. Nó hỗ trợ tất cả các phương pháp và mô hình mới nhất và tuyên bố nhanh hơn 3,7 lần so với P-Tuning của ChatGLM đồng thời sử dụng ít bộ nhớ GPU hơn. Điều này giúp người dùng bình thường và những người đam mê dễ dàng huấn luyện LLM của họ bằng mã tối thiểu. <img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Lammafactory: Hướng dẫn cài đặt và thiết lập chi tiết

Lammafactory: Hướng dẫn cài đặt và thiết lập chi tiết Mục lục: Giới thiệu Lammafactory Các mô hình và định dạng dữ liệu được hỗ trợ Dữ ...

tháng 10 02, 2024

Trí tuệ nhân tạo (AI) hữu hình: Sắp xuất hiện và tầm quan trọng của nó

<h2 id="section-0">Trí tuệ nhân tạo (AI) hữu hình: Sắp xuất hiện và tầm quan trọng của nó</h2>
Mục lục:
<ol>
<li>Từ AI ảo đến AI hữu hình: Một bước ngoặt lịch sử</li>
<li>Thân xác định hình tâm trí: Vai trò của hiện thân trong AI</li>
<li>"Bộ não trong lọ": Giới hạn của AI phi vật thể</li>
<li>Học hỏi trong mô phỏng: Con đường đến hiện thân</li>
<li>Trải nghiệm thực tế: Tương lai của AI hữu hình</li>
</ol>
1. Từ AI ảo đến AI hữu hình: Một bước ngoặt lịch sử
Hiện nay, khi nhắc đến AI, ta thường nghĩ đến các ứng dụng trò chuyện trên điện thoại, hoặc các công cụ tạo ảnh từ mô tả văn bản. Tuy nhiên, AI là một lĩnh vực rộng lớn và đa dạng. Với những tiến bộ vượt bậc trong lĩnh vực robot học, chúng ta đang đứng trước ngưỡng cửa của một cuộc cách mạng: AI hữu hình – những người bạn AI với thân xác thực sự. Sự phát triển này hứa hẹn sẽ thay đổi hoàn toàn quá trình phát triển của trí tuệ nhân tạo.
2. Thân xác định hình tâm trí: Vai trò của hiện thân trong AI
Hãy thử tưởng tượng não bộ của bạn được đặt vào thân thể một con cá heo, một con gấu, hay bất kỳ loài động vật nào khác. Cách bạn nhìn nhận thế giới, cơ chế hoạt động của cơ thể, và bản chất hiện diện vật lý sẽ tác động mạnh mẽ đến tâm lý, đúng không? Ngay cả việc sử dụng thực tế ảo (VR) để "đổi" giới tính trong vài phút cũng có thể ảnh hưởng đến <a href="https://www.nature.com/articles/s41598-021-94869-z" rel="noopener noreferrer nofollow" target="_blank">quyết định của bạn</a>.
Đây là ví dụ về "nhận thức hữu hình" (embodied cognition) – một hướng tiếp cận trong tâm lý học nhấn mạnh vai trò của cơ thể và giác quan trong việc định hình trí tuệ. Bản chất vật lý của một sinh vật, theo đó, sẽ quyết định cách thức tư duy, ra quyết định và nhìn nhận thế giới của nó. Mặc dù không thể so sánh hoàn toàn giữa động vật và AI đang phát triển, nhưng việc "hiện thân hóa" AI có thể thay đổi bản chất của chính nó.
3. "Bộ não trong lọ": Giới hạn của AI phi vật thể
Các mô hình ngôn ngữ lớn (LLM – Large Language Model) như một "bộ não trong lọ". Chúng là những mạng lưới thần kinh nhân tạo khổng lồ, được huấn luyện trên các khái niệm trừu tượng như từ ngữ, ngữ pháp, logic… Chúng thiếu giác quan và khả năng tương tác với thế giới bên ngoài, ngoại trừ những lời nhắc (prompt) từ con người.
4. Học hỏi trong mô phỏng: Con đường đến hiện thân
Trước khi AI được tích hợp vào robot thực tế, một bước trung gian quan trọng là cho phép AI học hỏi trong môi trường mô phỏng. Hiện nay, điều này đang trở nên phổ biến. Việc cho phép AI điều khiển robot ảo trong một thế giới ảo giúp rút ngắn thời gian học tập đáng kể. Phương pháp này không chỉ tăng tốc quá trình AI học cách điều khiển cơ thể trong môi trường mà còn tiết kiệm chi phí đáng kể so với việc sử dụng robot thật, vốn có giá thành rất cao và dễ bị hư hỏng trong quá trình học tập.
5. Trải nghiệm thực tế: Tương lai của AI hữu hình
Phần lớn các mô hình AI hiện đại được huấn luyện trên các tập dữ liệu khổng lồ, mang tính trừu tượng. Quá trình học hỏi của chúng chủ yếu là gián tiếp, thông qua sách vở hay video. Tuy nhiên, khi AI được "hiện thân hóa", quá trình học tập sẽ chuyển từ gián tiếp sang trực tiếp, dựa trên trải nghiệm thực tế.
Hãy tưởng tượng hàng nghìn <a href="https://www.howtogeek.com/751118/tesla-bot-explained-do-you-need-a-household-robot/" target="_blank">robot gia đình</a> thu thập dữ liệu từ thế giới thực để cải thiện phần mềm điều khiển chúng. Dữ liệu này, dựa trên trải nghiệm trực tiếp, sẽ định hình lại các mô hình AI. Sự thay đổi định tính này sẽ tác động mạnh mẽ đến bản chất của AI.
Chúng ta chỉ còn cách vài năm nữa là công nghệ robot tiên tiến sẽ trở nên phổ biến và giá cả phải chăng hơn. Những robot tự hành đa năng như <a href="https://www.figure.ai/" rel="noopener noreferrer nofollow" target="_blank">Figure 02</a> hiện đang được thử nghiệm trong các nhà máy. Vì vậy, đừng ngạc nhiên nếu bạn bắt đầu nhìn thấy các máy móc thực hiện đủ loại công việc khác nhau trong cuộc sống hàng ngày, học hỏi và trưởng thành từ những kinh nghiệm thực tế, giống như con người. <img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Trí tuệ nhân tạo (AI) hữu hình: Sắp xuất hiện và tầm quan trọng của nó

Trí tuệ nhân tạo (AI) hữu hình: Sắp xuất hiện và tầm quan trọng của nó Mục lục: Từ AI ảo đến AI hữu hình: Một bước ngoặt lịch sử Thân xá...

tháng 10 02, 2024

ChatGPT và Trí tuệ Nhân tạo Thế hệ Mới: Liệu Có Thể Phát hiện Chỉ số IQ Thấp?

<h2 id="section-0">ChatGPT và Trí tuệ Nhân tạo Thế hệ Mới: Liệu Có Thể Phát hiện Chỉ số IQ Thấp?</h2>
Mục lục:
<ol>
<li>Xu hướng mạng xã hội và vấn đề chỉ số IQ: Phân tích hiện tượng mạng xã hội thúc đẩy việc tự đánh giá chỉ số IQ.</li>
<li>Vai trò của AI thế hệ mới trong việc đánh giá IQ: Thảo luận về việc sử dụng ChatGPT và các công cụ AI tương tự để xác định chỉ số IQ.</li>
<li>Cảnh báo về các trang web và ứng dụng đánh giá IQ lừa đảo: Làm rõ rủi ro và nguy hiểm tiềm tàng khi sử dụng các nguồn không đáng tin cậy.</li>
<li>Phương pháp đáng tin cậy để đánh giá IQ: Nhấn mạnh tầm quan trọng của việc tham khảo ý kiến chuyên gia tâm lý.</li>
<li>Khả năng và hạn chế của AI trong đánh giá IQ: Phân tích ưu điểm và nhược điểm khi sử dụng AI để hỗ trợ đánh giá IQ.</li>
<li>Thực hành với ChatGPT: Ví dụ minh họa: Trình bày một số ví dụ cụ thể về việc tương tác với ChatGPT để hiểu rõ hơn về đánh giá IQ.</li>
<li>Kết luận: Lời khuyên quan trọng: Tổng kết lại và đưa ra lời khuyên hữu ích cho người đọc.</li>
</ol>
1. Xu hướng mạng xã hội và vấn đề chỉ số IQ:
Gần đây, một trào lưu trên mạng xã hội khuyến khích mọi người tự tìm hiểu xem mình có chỉ số IQ thấp hay không đang thu hút sự chú ý. Mặc dù đây là một hiện tượng nhất thời, nhưng nó đặt ra câu hỏi về vai trò của trí tuệ nhân tạo (AI) thế hệ mới, đặc biệt là ChatGPT, trong việc góp phần vào hoặc làm trầm trọng thêm xu hướng này. Việc sử dụng AI để đánh giá IQ đang trở nên phổ biến, với hàng triệu người dùng dựa vào các ứng dụng AI để tìm kiếm lời khuyên, làm nổi bật nhu cầu cần có cái nhìn khách quan và toàn diện hơn về vấn đề này.
2. Vai trò của AI thế hệ mới trong việc đánh giá IQ:
Một số người tham gia trào lưu trên mạng xã hội có thể tìm đến các công cụ AI thế hệ mới như ChatGPT để đánh giá chỉ số IQ của mình. Tuy nhiên, việc sử dụng AI để đo lường IQ cần được xem xét kỹ lưỡng. AI, đặc biệt là các mô hình ngôn ngữ lớn như ChatGPT, hoạt động dựa trên việc khớp mẫu và dự đoán, chứ không phải là sự hiểu biết thực sự về trí tuệ con người. Kết quả do AI đưa ra chỉ mang tính tham khảo và không thể thay thế cho đánh giá chuyên nghiệp.
3. Cảnh báo về các trang web và ứng dụng đánh giá IQ lừa đảo:
Trên internet có rất nhiều trang web và ứng dụng tự xưng là có thể giúp người dùng đánh giá chỉ số IQ của mình. Tuy nhiên, nhiều trong số đó là lừa đảo. Chúng có thể thu thập thông tin cá nhân của người dùng để bán cho bên thứ ba, hoặc cài đặt virus vào máy tính. Một số khác lại sử dụng thủ đoạn dụ dỗ người dùng trả phí để xem kết quả đầy đủ sau khi đã hoàn thành một phần câu hỏi miễn phí. Do đó, cần hết sức thận trọng khi sử dụng các nguồn này.
4. Phương pháp đáng tin cậy để đánh giá IQ:
Phương pháp đáng tin cậy nhất để đánh giá chỉ số IQ là tham khảo ý kiến của một chuyên gia tâm lý học hoặc chuyên gia sức khỏe tâm thần được đào tạo bài bản. Họ sẽ thực hiện các bài kiểm tra IQ chuẩn hóa và giúp người dùng hiểu rõ hơn về kết quả, cũng như giải thích tầm quan trọng của việc đánh giá đa chiều về trí thông minh. Chỉ số IQ chỉ là một trong nhiều yếu tố phản ánh khả năng của con người.
5. Khả năng và hạn chế của AI trong đánh giá IQ:
Mặc dù AI không thể thay thế cho đánh giá chuyên nghiệp, nhưng nó có thể đóng vai trò hỗ trợ trong quá trình này. AI có thể tạo ra các câu hỏi luyện tập tương tự như trong bài kiểm tra IQ thực tế, giúp người dùng làm quen với dạng bài. Tuy nhiên, cần lưu ý những hạn chế sau:
<ul>
<li>Không phải tất cả các công cụ AI đều cho phép tính toán IQ: Nhiều nhà phát triển AI đã hạn chế chức năng này để tránh gây hiểu lầm.</li>
<li>AI chỉ dựa trên việc khớp mẫu: AI không có khả năng hiểu biết hay đánh giá sâu sắc về trí tuệ con người.</li>
<li>AI có thể mắc lỗi: Kết quả do AI đưa ra có thể không chính xác hoặc bị ảnh hưởng bởi hiện tượng "ảo giác" (hallucination) – tức là AI tạo ra thông tin không có thật nhưng nghe có vẻ hợp lý.</li>
</ul>
6. Thực hành với ChatGPT: Ví dụ minh họa:
Để minh họa, chúng ta sẽ thực hiện một số câu hỏi mẫu tương tự như trong bài kiểm tra IQ với ChatGPT. ChatGPT sẽ không trực tiếp tính toán chỉ số IQ, nhưng có thể cung cấp các câu hỏi và lời giải thích. Ví dụ:
<ul>
<li>Câu hỏi 1 (suy luận ngôn ngữ): "Ngón tay đối với bàn tay như lá cây đối với…?" ChatGPT sẽ trả lời là "cành cây".</li>
<li>Câu hỏi 2 (suy luận số học): "Số nào tiếp theo trong dãy số này? 2, 4, 8, 16, __" ChatGPT sẽ trả lời là "32".</li>
</ul>
Tuy nhiên, cần nhớ rằng đây chỉ là những ví dụ đơn giản. Bài kiểm tra IQ thực tế phức tạp hơn nhiều và đòi hỏi sự đánh giá chuyên nghiệp.
7. Kết luận: Lời khuyên quan trọng:
Xu hướng đánh giá chỉ số IQ trên mạng xã hội cần được tiếp cận một cách cẩn trọng. Việc sử dụng AI để đánh giá IQ chỉ nên được xem như một công cụ hỗ trợ, chứ không phải là phương pháp chính xác. Để có được kết quả đáng tin cậy, hãy tham khảo ý kiến của các chuyên gia tâm lý. Đừng để những thông tin chưa được kiểm chứng trên mạng xã hội hay từ các công cụ AI ảnh hưởng đến nhận thức về bản thân. Hãy tập trung vào việc phát triển toàn diện các khả năng của bản thân thay vì chỉ tập trung vào một con số. <img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

ChatGPT và Trí tuệ Nhân tạo Thế hệ Mới: Liệu Có Thể Phát hiện Chỉ số IQ Thấp?

ChatGPT và Trí tuệ Nhân tạo Thế hệ Mới: Liệu Có Thể Phát hiện Chỉ số IQ Thấp? Mục lục: Xu hướng mạng xã hội và vấn đề chỉ số IQ: Phân t...

tháng 10 02, 2024

Trải nghiệm AI mạnh mẽ, riêng tư ngay trên trình duyệt Brave nhờ NVIDIA RTX: Cuộc cách mạng của Leo AI và Ollama

<h2 id="section-0">Trải nghiệm AI mạnh mẽ, riêng tư ngay trên trình duyệt Brave nhờ NVIDIA RTX: Cuộc cách mạng của Leo AI và Ollama</h2>
Mục lục:
<ol>
<li>Giới thiệu: Tốc độ và sự riêng tư của AI cục bộ.</li>
<li>Leo AI và Brave Browser: Trợ lý AI thông minh trên trình duyệt.</li>
<li>Vai trò quan trọng của phần mềm: NVIDIA và tối ưu hóa phần cứng/phần mềm.</li>
<li>Llama.cpp và Ollama: Công nghệ đằng sau sự mạnh mẽ của Leo AI.</li>
<li>AI cục bộ so với AI đám mây: Ưu điểm vượt trội của giải pháp cục bộ.</li>
<li>Hiệu năng ấn tượng với NVIDIA RTX: Tốc độ xử lý đáng kinh ngạc.</li>
<li>Cài đặt và sử dụng: Hướng dẫn đơn giản cho người dùng.</li>
<li>Kết luận: Tương lai của AI cục bộ và trải nghiệm người dùng.</li>
</ol>
1. Giới thiệu: Tốc độ và sự riêng tư của AI cục bộ
Thời đại AI đang đến gần hơn bao giờ hết, với sự tích hợp ngày càng sâu rộng vào mọi ứng dụng, từ game và chỉnh sửa ảnh đến lập trình và công cụ văn phòng. Nhưng một vấn đề lớn luôn được đặt ra: bảo mật dữ liệu và tốc độ xử lý. Giải pháp cho vấn đề này chính là AI cục bộ, và bài viết này sẽ giới thiệu một bước tiến đáng kể trong lĩnh vực này: sự kết hợp giữa trình duyệt Brave, trợ lý AI Leo AI, nền tảng Ollama, và sức mạnh của card đồ họa NVIDIA RTX. Với công nghệ này, người dùng có thể trải nghiệm tốc độ xử lý nhanh chóng, hiệu quả, và quan trọng hơn là đảm bảo tính riêng tư tuyệt đối cho dữ liệu của mình.
2. Leo AI và Brave Browser: Trợ lý AI thông minh trên trình duyệt
Brave, một trình duyệt web nổi tiếng với tính năng bảo mật cao, gần đây đã ra mắt trợ lý AI thông minh – Leo AI. Leo AI không chỉ cung cấp kết quả tìm kiếm mà còn giúp người dùng tóm tắt bài viết, video, trích xuất thông tin từ tài liệu, trả lời câu hỏi và nhiều hơn nữa. Sự kết hợp này hứa hẹn mang lại một trải nghiệm duyệt web thông minh và tiện lợi chưa từng có.
3. Vai trò quan trọng của phần mềm: NVIDIA và tối ưu hóa phần cứng/phần mềm
NVIDIA, với công nghệ GPU hàng đầu thế giới, đóng vai trò cốt lõi trong việc tăng tốc các ứng dụng AI. Các Tensor Core trên GPU NVIDIA được thiết kế đặc biệt để xử lý nhanh chóng các phép tính phức tạp cần thiết cho AI, đảm bảo hiệu năng tối ưu. Tuy nhiên, phần cứng mạnh mẽ chỉ là một nửa câu chuyện. Phần mềm tối ưu hóa là chìa khóa để khai thác tối đa tiềm năng của GPU. NVIDIA tích cực tối ưu hóa toàn bộ hệ thống, từ thư viện suy luận AI đến các ứng dụng, giúp mang đến trải nghiệm AI nhanh chóng và mượt mà nhất.
4. Llama.cpp và Ollama: Công nghệ đằng sau sự mạnh mẽ của Leo AI
Leo AI sử dụng thư viện suy luận AI mã nguồn mở Llama.cpp, được tích hợp với CUDA – giao diện lập trình ứng dụng của NVIDIA. CUDA cho phép tối ưu hóa hiệu năng cho các card đồ họa GeForce RTX và NVIDIA RTX GPU, tăng tốc đáng kể quá trình xử lý các mô hình ngôn ngữ lớn (LLM) như Gemma, Llama 3, Mistral và Phi. Ollama, một dự án mã nguồn mở xây dựng trên Llama.cpp, đóng vai trò là một máy chủ suy luận cục bộ, đơn giản hóa việc tích hợp và quản lý các mô hình AI, giúp các ứng dụng như Leo AI hoạt động hiệu quả hơn.
5. AI cục bộ so với AI đám mây: Ưu điểm vượt trội của giải pháp cục bộ
Xử lý suy luận AI cục bộ mang lại nhiều lợi ích vượt trội so với sử dụng dịch vụ đám mây. Đầu tiên, nó đảm bảo tính riêng tư tuyệt đối, vì không có dữ liệu nào được gửi đến máy chủ bên ngoài. Thứ hai, người dùng luôn có thể truy cập và sử dụng Leo AI mà không cần kết nối internet. Cuối cùng, giải pháp cục bộ giúp tiết kiệm chi phí đáng kể, loại bỏ các khoản phí truy cập không giới hạn của dịch vụ đám mây. Ollama còn hỗ trợ nhiều mô hình mã nguồn mở hơn so với hầu hết các dịch vụ đám mây, mở ra nhiều lựa chọn đa dạng hơn cho người dùng.
6. Hiệu năng ấn tượng với NVIDIA RTX: Tốc độ xử lý đáng kinh ngạc
Với sự hỗ trợ của NVIDIA RTX, Leo AI đạt được tốc độ xử lý cực kỳ ấn tượng. Sử dụng mô hình Llama 3 8B, người dùng có thể nhận được phản hồi lên tới 149 token/giây (tương đương khoảng 110 từ/giây). Điều này đảm bảo sự nhanh chóng và mượt mà trong quá trình tương tác với Leo AI, đáp ứng mọi yêu cầu của người dùng một cách nhanh chóng và hiệu quả.
7. Cài đặt và sử dụng: Hướng dẫn đơn giản cho người dùng
Việc cài đặt và sử dụng Ollama rất đơn giản. Người dùng chỉ cần tải xuống trình cài đặt từ trang web của dự án và chạy nó ở chế độ nền. Sau đó, họ có thể tải xuống và cài đặt nhiều mô hình khác nhau từ thư viện hỗ trợ của Ollama và tương tác với mô hình cục bộ thông qua dòng lệnh. Hướng dẫn chi tiết về cách thêm hỗ trợ LLM cục bộ thông qua Ollama có sẵn trên blog của Brave. Người dùng có thể dễ dàng chuyển đổi giữa các mô hình đám mây và mô hình cục bộ bất cứ lúc nào.
8. Kết luận: Tương lai của AI cục bộ và trải nghiệm người dùng
Sự kết hợp giữa Brave, Leo AI, Ollama và NVIDIA RTX đánh dấu một bước tiến quan trọng trong việc mang đến trải nghiệm AI mạnh mẽ, riêng tư và tốc độ cao cho người dùng. Đây là minh chứng cho xu hướng ngày càng phát triển của AI cục bộ, hứa hẹn sẽ cách mạng hóa cách chúng ta tương tác với công nghệ AI trong tương lai. Sự tối ưu hóa liên tục từ NVIDIA trên toàn bộ hệ thống, từ phần cứng đến phần mềm, đảm bảo người dùng luôn được trải nghiệm tốt nhất. <img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Trải nghiệm AI mạnh mẽ, riêng tư ngay trên trình duyệt Brave nhờ NVIDIA RTX: Cuộc cách mạng của Leo AI và Ollama

Trải nghiệm AI mạnh mẽ, riêng tư ngay trên trình duyệt Brave nhờ NVIDIA RTX: Cuộc cách mạng của Leo AI và Ollama Mục lục: Giới thiệu: T...

tháng 10 02, 2024

Startup MIT Thách Thức "Gã Khổng Lồ" AI Bằng Công Nghệ Cách Mạng

<h2 id="section-0">Startup MIT Thách Thức "Gã Khổng Lồ" AI Bằng Công Nghệ Cách Mạng</h2>
Mục lục:
<ol>
<li>Giới thiệu: Cuộc cách mạng AI và sự xuất hiện của Liquid AI</li>
<li>Công nghệ đột phá: Mô hình nền tảng lỏng (LFM)</li>
<li>Ưu điểm vượt trội của LFM so với LLM</li>
<li>Tiềm năng ứng dụng rộng rãi của LFM</li>
<li>Phương pháp tiếp cận minh bạch và tập trung vào an toàn</li>
<li>Kết luận: Tương lai của AI và vai trò của Liquid AI</li>
</ol>
1. Giới thiệu: Cuộc cách mạng AI và sự xuất hiện của Liquid AI
Thị trường trí tuệ nhân tạo đang sôi động với sự thống trị của các tên tuổi lớn như OpenAI (ChatGPT) và Google (Gemini). Tuy nhiên, một startup nhỏ đến từ Viện Công nghệ Massachusetts (MIT) đang thổi một làn gió mới vào cuộc cách mạng này bằng công nghệ đột phá của mình. Liquid AI, một công ty khởi nghiệp được thành lập bởi các nhà nghiên cứu MIT, đang tạo nên sự chú ý với "Mô hình nền tảng lỏng" (Liquid Foundation Models - LFM) – một công nghệ được cho là sẽ cạnh tranh sòng phẳng với các chatbot hàng đầu hiện nay.
2. Công nghệ đột phá: Mô hình nền tảng lỏng (LFM)
Khác biệt hoàn toàn với các Mô hình Ngôn ngữ Lớn (Large Language Models - LLM) truyền thống, LFM được xây dựng dựa trên mạng lưới thần kinh động (liquid neural network). Thuật ngữ "lỏng" ở đây chỉ sự linh hoạt, năng động và hiệu quả cao của thuật toán, chứ không phải là sự liên quan đến chất lỏng thực tế. Theo SiliconAngle, cấu trúc toán học của LFM tương tự như trong xử lý tín hiệu, cho phép nó xử lý đa dạng các loại dữ liệu, bao gồm văn bản, âm thanh, hình ảnh và video một cách xuất sắc.
3. Ưu điểm vượt trội của LFM so với LLM
LFM sở hữu nhiều ưu điểm vượt trội so với các LLM hiện có:
<ul>
<li>Hiệu suất cao: LFM hoạt động với số lượng neuron kỹ thuật số ít hơn đáng kể so với LLM, dẫn đến hiệu quả cao về mặt tính toán và tiết kiệm chi phí phần cứng. Trong khi các LLM như ChatGPT cần lượng dữ liệu khổng lồ và máy tính siêu mạnh để vận hành, LFM có thể hoạt động trên các chip bộ nhớ nhỏ hơn.</li>
<li>Khả năng xử lý đa dạng dữ liệu: Khả năng xử lý đa dạng dữ liệu (văn bản, âm thanh, hình ảnh, video) là một lợi thế cạnh tranh đáng kể của LFM.</li>
<li>Hiệu năng vượt trội: Theo VentureBeat, mô hình LFM 1.3B của Liquid AI đã vượt mặt các đối thủ nặng ký như Llama của Meta và Phi của Microsoft trong các bài kiểm tra chuẩn.</li>
<li>Khả năng ứng dụng trên thiết bị nhỏ gọn: Nhờ khả năng hoạt động trên chip nhớ nhỏ, LFM có thể được tích hợp vào các thiết bị nhỏ gọn, mở ra tiềm năng ứng dụng trong Internet vạn vật (IoT), drone, robot,…</li>
</ul>
4. Tiềm năng ứng dụng rộng rãi của LFM
Với hiệu suất và khả năng xử lý đa dạng dữ liệu, LFM của Liquid AI hứa hẹn mang lại nhiều đột phá trong nhiều lĩnh vực:
<ul>
<li>Xử lý dữ liệu biên (Edge Computing): LFM có thể hoạt động trực tiếp trên thiết bị, loại bỏ sự phụ thuộc vào kết nối mạng và giảm độ trễ.</li>
<li>Dịch vụ tài chính: Xử lý dữ liệu nhanh chóng và chính xác là rất quan trọng trong lĩnh vực này.</li>
<li>Công nghệ sinh học: Phân tích dữ liệu sinh học phức tạp.</li>
<li>Điện tử tiêu dùng: Tích hợp AI vào các sản phẩm điện tử thông minh.</li>
</ul>
5. Phương pháp tiếp cận minh bạch và tập trung vào an toàn
Khác với nhiều công ty AI khác, Liquid AI đặt sự minh bạch và an toàn lên hàng đầu. Công ty cam kết công khai báo cáo tiến độ kỹ thuật và thực hiện “red-teaming” – cho phép người dùng thực tế kiểm tra và phản hồi về mô hình, từ đó cải thiện các phiên bản tiếp theo. Đây là một cách tiếp cận khác biệt, ưu tiên tính khoa học và trách nhiệm xã hội hơn là lợi nhuận.
6. Kết luận: Tương lai của AI và vai trò của Liquid AI
Sự xuất hiện của Liquid AI và công nghệ LFM đánh dấu một bước tiến đáng kể trong lĩnh vực AI. Với hiệu năng vượt trội, khả năng ứng dụng đa dạng và phương pháp tiếp cận minh bạch, Liquid AI có tiềm năng trở thành một thế lực mới trong cuộc cách mạng AI, thách thức sự thống trị của các "gã khổng lồ" hiện nay. Thời gian sẽ trả lời liệu LFM có thực sự thay đổi cục diện của thị trường AI hay không, nhưng chắc chắn rằng startup này đã khẳng định được vị thế và tiềm năng to lớn của mình. <img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

Startup MIT Thách Thức "Gã Khổng Lồ" AI Bằng Công Nghệ Cách Mạng

Startup MIT Thách Thức "Gã Khổng Lồ" AI Bằng Công Nghệ Cách Mạng Mục lục: Giới thiệu: Cuộc cách mạng AI và sự xuất hiện của Liq...

tháng 10 02, 2024

iAsk: Động Cơ Trả Lời AI Thu Hút 350 Triệu Lượt Tìm Kiếm và Vốn Hạt Giống 4,2 Triệu USD

<h2 id="section-0">iAsk: Động Cơ Trả Lời AI Thu Hút 350 Triệu Lượt Tìm Kiếm và Vốn Hạt Giống 4,2 Triệu USD</h2>
Mục lục:
<ol>
<li>Giới thiệu về iAsk và Vòng Tài Trợ Seed</li>
<li>Khắc Phục Nhược Điểm của Công Cụ Tìm Kiếm Truyền Thống</li>
<li>Hiệu Suất Ấn Tượng và Thị Trường Mục Tiêu Gen Z</li>
<li>Ưu Điểm Vượt Trội của Công Nghệ iAsk</li>
<li>Tầm Nhìn Phát Triển và Quan Điểm Chuyên Gia</li>
<li>Thông Tin Liên Hệ</li>
</ol>
1. Giới thiệu về iAsk và Vòng Tài Trợ Seed
Công ty iAsk, “động cơ trả lời” AI được thiết kế đặc biệt cho thế hệ Z, vừa công bố huy động thành công 4,2 triệu USD trong vòng tài trợ hạt giống. Vòng gọi vốn này do Corazon Capital dẫn đầu, với sự tham gia của nhiều quỹ đầu tư mạo hiểm uy tín khác như Chingona Ventures, Starting Line VC, Alumni Ventures, Listen VC, Motivate VC, Octava Singapore, Chicago Early Growth Ventures, và một số nhà đầu tư thiên thần nổi tiếng. Song song với thông báo huy động vốn, iAsk cũng chia sẻ thành tích ấn tượng khi đã xử lý hơn 350 triệu truy vấn tìm kiếm kể từ khi ra mắt vào năm ngoái. Hơn nữa, phiên bản API dành cho doanh nghiệp và nhà phát triển của iAsk đã được ra mắt soft-launch và thu hút hơn 7.000 khách hàng tiềm năng đăng ký chờ sử dụng.
2. Khắc Phục Nhược Điểm của Công Cụ Tìm Kiếm Truyền Thống
Trong thời gian qua, kết quả tìm kiếm trên các công cụ tìm kiếm truyền thống ngày càng trở nên kém đáng tin cậy do nhiều nguyên nhân. Việc thao túng SEO gia tăng dẫn đến việc các công cụ tìm kiếm ưu tiên thứ hạng hơn chất lượng nội dung, làm tràn ngập kết quả hàng đầu với các trang web ít thông tin hữu ích. Quảng cáo trả phí và các vị trí được trả tiền liên tục đẩy kết quả tìm kiếm tự nhiên xuống phía dưới, và sự thay đổi thuật toán thường xuyên cùng tính cá nhân hóa đôi khi dẫn đến kết quả trùng lặp hoặc bị bóp méo. iAsk ra đời nhằm giải quyết những vấn đề nan giải này.
3. Hiệu Suất Ấn Tượng và Thị Trường Mục Tiêu Gen Z
iAsk hiện đang nhận được tới 1,5 triệu lượt tìm kiếm mỗi ngày, với sự quan tâm mạnh mẽ từ người dùng Gen Z đang tìm kiếm các câu trả lời chính xác và tiện lợi cho các câu hỏi của họ. Kể từ khi ra mắt, iAsk đã xử lý thành công 350 triệu lượt tìm kiếm và đang trên đà vượt mốc nửa tỷ lượt tìm kiếm vào cuối năm 2024. Điều này cho thấy tiềm năng to lớn và sự đón nhận tích cực của thị trường đối với sản phẩm.
4. Ưu Điểm Vượt Trội của Công Nghệ iAsk
iAsk cho phép người dùng đặt câu hỏi bằng ngôn ngữ tự nhiên và nhận được câu trả lời chi tiết và chính xác ngay lập tức. Sử dụng mạng lưới thần kinh biến đổi (transformer neural networks) hiện đại, iAsk đạt điểm số cao nhất về độ chính xác trên nhiều tiêu chuẩn đánh giá học thuật, mang lại kết quả tốt hơn đáng kể so với các mô hình AI khác như ChatGPT, Google Gemini, Claude.ai và các mô hình AI khác. Thậm chí, iAsk còn được Slashdot vinh danh là “Công cụ tìm kiếm tốt nhất năm 2024”.
5. Tầm Nhìn Phát Triển và Quan Điểm Chuyên Gia
Dominik Mazur, Đồng sáng lập kiêm CEO của iAsk, cho biết: "Sự phổ biến ngày càng tăng của các chatbot AI đã khiến nhiều người tiêu dùng sử dụng các chatbot này để tìm kiếm, mặc dù chatbot không được đào tạo để tìm kiếm nhanh chóng và chính xác trên web và thường bị lỗi thời nhiều năm. Chỉ cần một vài câu trả lời không chính xác là đủ để người dùng mất niềm tin, đó là lý do tại sao chúng tôi tập trung nỗ lực vào độ chính xác để người dùng có thể khai thác AI để có được câu trả lời nhanh hơn, chính xác hơn từ các nguồn đáng tin cậy, mà không cần tất cả các tương tác qua lại mà chatbot yêu cầu."
Brad Folkens, Đồng sáng lập kiêm Giám đốc Công nghệ của iAsk, bổ sung: "Phán quyết gần đây của Bộ Tư pháp có nghĩa là các công ty một lần nữa có thể bắt đầu đổi mới trong lĩnh vực tìm kiếm và xây dựng trải nghiệm tốt hơn với người tiêu dùng - không phải nhà quảng cáo - ở vị trí trung tâm. Chúng tôi kỳ vọng điều này sẽ dẫn đến một hệ sinh thái sôi động trong tìm kiếm, với người dùng cuối cùng được hưởng lợi và nhận được giá trị tăng lên từ tìm kiếm."
6. Thông Tin Liên Hệ
Để biết thêm thông tin về iAsk hoặc để dùng thử sản phẩm, vui lòng truy cập trang web: <a href="https://iask.ai/">iAsk.Ai</a>
Liên hệ truyền thông:
Megan Stinson
CMAND cho iAsk
<a href="mailto:megan@cmand.co">megan@cmand.co</a> <img alt="Blog post image" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">

iAsk: Động Cơ Trả Lời AI Thu Hút 350 Triệu Lượt Tìm Kiếm và Vốn Hạt Giống 4,2 Triệu USD

iAsk: Động Cơ Trả Lời AI Thu Hút 350 Triệu Lượt Tìm Kiếm và Vốn Hạt Giống 4,2 Triệu USD Mục lục: Giới thiệu về iAsk và Vòng Tài Trợ Seed ...

tháng 10 02, 2024

Lammafactory: Hướng dẫn cài đặt và thiết lập chi tiết

Trí tuệ nhân tạo (AI) hữu hình: Sắp xuất hiện và tầm quan trọng của nó

ChatGPT và Trí tuệ Nhân tạo Thế hệ Mới: Liệu Có Thể Phát hiện Chỉ số IQ Thấp?

Trải nghiệm AI mạnh mẽ, riêng tư ngay trên trình duyệt Brave nhờ NVIDIA RTX: Cuộc cách mạng của Leo AI và Ollama

Startup MIT Thách Thức "Gã Khổng Lồ" AI Bằng Công Nghệ Cách Mạng

iAsk: Động Cơ Trả Lời AI Thu Hút 350 Triệu Lượt Tìm Kiếm và Vốn Hạt Giống 4,2 Triệu USD

Bài đăng phổ biến

Labels