Agent.ai.vn

Meta Đang Phát Triển Robot Hợp Tác với Cảm Giác Chạm và AI

<h2>Meta Đang Phát Triển Cảm Giác Chạm, Khéo Léo và Hợp Tác Robot-Con Người với AI</h2>
Mục lục:
<ol>
<li>Meta và Trí tuệ nhân tạo (AI) trong lĩnh vực robot</li>
<li>Ba dự án đột phá của Meta<ul>
<li>Sparsh: Cảm giác chạm dựa trên thị giác</li>
<li>Digit 360: Cảm biến hình dạng ngón tay</li>
<li>Digit Plexus: Nền tảng phần cứng-phần mềm đa năng</li>
</ul>
</li>
<li>PARTNR: Tiêu chuẩn đánh giá khả năng hỗ trợ của AI trong hợp tác robot-con người</li>
<li>Tầm nhìn của Meta về tương lai robot</li>
</ol>
1. Meta và Trí tuệ nhân tạo (AI) trong lĩnh vực robot
Meta đang dấn thân vào tương lai của robot với tầm nhìn đầy tham vọng về "AI hữu hình" – công nghệ giúp robot bắt chước tương tác giống con người thông qua cảm giác chạm, cảm nhận và suy luận. Thông qua việc hợp tác với GelSight (Mỹ) và Wonik Robotics (Hàn Quốc), Meta đang phát triển các cảm biến xúc giác cho phép robot hiểu và phản ứng với cảm giác vật lý, giúp chúng hiệu quả và nhạy bén hơn trong môi trường thực tế.
2. Ba dự án đột phá của Meta
Meta đã công bố ba dự án đột phá trong lĩnh vực này: Sparsh, Digit 360 và Digit Plexus. Những sáng tạo này nhằm nâng cao sự khéo léo của robot và tương tác robot-con người thông qua nhận thức và suy luận cảm giác chạm nâng cao.
<ul>
<li>Sparsh: Hợp tác với Đại học Washington và Đại học Carnegie Mellon, Sparsh tập trung vào việc cho phép robot "cảm nhận" môi trường xung quanh. Sử dụng cảm biến xúc giác dựa trên thị giác, Sparsh giúp robot xác định lượng áp lực có thể tác dụng lên vật thể mà không gây hư hại – kỹ năng cần thiết cho các nhiệm vụ như thao tác vật thể tinh tế.
</li>
<li>Digit 360: Nâng cảm biến xúc giác lên một tầm cao mới với cảm biến hình dạng ngón tay tích hợp hơn 18 khả năng cảm biến và hơn 8 triệu taxel (TActile piXELs). Điều này cho phép robot phát hiện và phản ứng với biến dạng đa hướng với độ chính xác cao. Điểm khác biệt của Digit 360 là các mô hình AI tích hợp, cho phép xử lý dữ liệu chạm nhanh hơn, cục bộ – tương tự như cách con người phản ứng nhanh chóng với kích thích.
</li>
<li>Digit Plexus: Là một nền tảng phần cứng-phần mềm linh hoạt, tích hợp nhiều cảm biến xúc giác vào một bàn tay robot duy nhất. Meta dự định chia sẻ thiết kế và mã nguồn cho Digit Plexus, nhằm thúc đẩy nghiên cứu về sự khéo léo của robot.
</li>
</ul>
3. PARTNR: Tiêu chuẩn đánh giá khả năng hỗ trợ của AI trong hợp tác robot-con người
Ngoài các cảm biến này, Meta còn công bố PARTNR, một tiêu chuẩn mới được thiết kế để kiểm tra khả năng của AI trong việc hỗ trợ hợp tác robot-con người. Được xây dựng trên nền tảng Habitat của Meta, PARTNR đánh giá khả năng AI hỗ trợ con người thực hiện các nhiệm vụ trong gia đình. Với 100.000 nhiệm vụ và 5.800 vật thể, tiêu chuẩn này giúp đo lường hiệu quả AI trong việc làm theo hướng dẫn ngôn ngữ tự nhiên và suy luận qua các nhiệm vụ phức tạp.
4. Tầm nhìn của Meta về tương lai robot
Với những sáng tạo này, Meta đang định vị mình là người dẫn đầu trong giai đoạn tiếp theo của robot – nơi AI không chỉ đóng vai trò là công cụ, mà còn là đối tác thực sự trong hợp tác.

Meta Đang Phát Triển Robot Hợp Tác với Cảm Giác Chạm và AI

Meta Đang Phát Triển Cảm Giác Chạm, Khéo Léo và Hợp Tác Robot-Con Người với AI Mục lục: Meta và Trí tuệ nhân tạo (AI) trong lĩnh vực robo...

tháng 11 11, 2024

Tinh chỉnh mô hình ngôn ngữ lớn (LLM) tại nhà

<h2>Tinh chỉnh mô hình ngôn ngữ lớn (LLM) tại nhà</h2>
Mục lục:
<ol>
<li>Giới thiệu</li>
<li>Khi nào nên tinh chỉnh LLM?</li>
<li>Các cách tiếp cận thay thế</li>
<li>Chuẩn bị dữ liệu</li>
<li>Tinh chỉnh Mistral 7B với Axolotl</li>
<li>Các siêu tham số và ảnh hưởng của chúng</li>
<li>Tài nguyên bổ sung</li>
</ol>
<h3>1. Giới thiệu</h3>
Mô hình ngôn ngữ lớn (LLM) rất hiệu quả trong việc tạo văn bản và cung cấp thông tin. Tuy nhiên, chúng bị giới hạn bởi lượng dữ liệu được sử dụng để huấn luyện. 
Nếu bạn muốn LLM xử lý thông tin đặc thù cho doanh nghiệp của bạn, mô hình được huấn luyện sẵn sẽ không thể đáp ứng. Bạn có thể huấn luyện một mô hình mới, nhưng điều này đòi hỏi tài nguyên khổng lồ.
Tin tốt là bạn có thể sử dụng một mô hình hiện có như Llama, Mistral hoặc Phi và mở rộng kiến thức hoặc điều chỉnh hành vi và phong cách của nó bằng cách sử dụng dữ liệu riêng của bạn thông qua một quá trình gọi là tinh chỉnh.
Quá trình này vẫn cần nhiều tài nguyên tính toán so với suy luận, nhưng nhờ những tiến bộ như Low Rank Adaptation (LoRA) và biến thể lượng tử QLoRA, bạn có thể tinh chỉnh mô hình bằng một GPU duy nhất.
<h3>2. Khi nào nên tinh chỉnh LLM?</h3>
Tinh chỉnh có thể hữu ích trong các trường hợp sau:
<ul>
<li>Thay đổi hành vi hoặc phong cách của mô hình</li>
<li>Cải thiện khả năng xử lý thông tin cụ thể</li>
<li>Ứng dụng mô hình cho các nhiệm vụ chuyên biệt</li>
</ul>
<h3>3. Các cách tiếp cận thay thế</h3>
Ngoài tinh chỉnh, bạn có thể sử dụng các cách tiếp cận khác để mở rộng khả năng và hành vi của LLM:
<ul>
<li>Tìm kiếm tăng cường tạo (RAG): Cung cấp cho mô hình một thư viện hoặc cơ sở dữ liệu để tham khảo. Cách tiếp cận này dễ thiết lập, ít tốn kém về mặt tính toán và có thể trích dẫn nguồn.</li>
<li>Kỹ thuật nhắc nhở: Dạy mô hình cách cư xử thông qua việc thiết lập các nhắc nhở. Ví dụ, bạn có thể yêu cầu mô hình tránh trả lời các câu hỏi về sức khỏe hoặc tài chính.</li>
</ul>
<h3>4. Chuẩn bị dữ liệu</h3>
Dữ liệu là yếu tố quan trọng trong tinh chỉnh LLM. Dữ liệu cần được:
<ul>
<li>Chuẩn bị cẩn thận: Làm sạch, xử lý và sắp xếp dữ liệu để đảm bảo chất lượng và tính nhất quán.</li>
<li>Phù hợp với mục tiêu tinh chỉnh: Chọn dữ liệu phù hợp với nhiệm vụ bạn muốn thực hiện.</li>
</ul>
<h3>5. Tinh chỉnh Mistral 7B với Axolotl</h3>
Hướng dẫn này sử dụng QLoRA để tinh chỉnh Mistral 7B. Axolotl là một công cụ mã nguồn mở giúp bạn tinh chỉnh LLM một cách dễ dàng.
<h3>6. Các siêu tham số và ảnh hưởng của chúng</h3>
Trong tinh chỉnh LLM, có nhiều siêu tham số ảnh hưởng đến quá trình huấn luyện. Hiểu cách các siêu tham số hoạt động giúp bạn điều chỉnh hiệu suất của mô hình.
<h3>7. Tài nguyên bổ sung</h3>
Nhiều tài nguyên trực tuyến có thể giúp bạn tinh chỉnh LLM hiệu quả hơn. 
Lưu ý: Hướng dẫn này cung cấp thông tin tổng quan về tinh chỉnh LLM. Để tìm hiểu thêm về các khía cạnh cụ thể, hãy tham khảo các tài liệu và hướng dẫn chi tiết hơn.

Tinh chỉnh mô hình ngôn ngữ lớn (LLM) tại nhà

Tinh chỉnh mô hình ngôn ngữ lớn (LLM) tại nhà Mục lục: Giới thiệu Khi nào nên tinh chỉnh LLM? Các cách tiếp cận thay thế Chuẩn bị dữ l...

tháng 11 11, 2024

Trí tuệ nhân tạo có thể giúp sức khỏe tâm thần: Chatbot AI đã sẵn sàng?

<h2>Trí tuệ nhân tạo và sức khỏe tâm thần: Liệu chatbot AI đã sẵn sàng cho những cuộc đối thoại thực sự?</h2>
Mục lục
<ol>
<li>Khó khăn trong hỗ trợ sức khỏe tâm thần</li>
<li>Nghiên cứu của HMRI về AI chatbot</li>
<li>Kết quả nghiên cứu ban đầu</li>
<li>Mục tiêu nghiên cứu</li>
<li>Cách thức tham gia nghiên cứu</li>
<li>Lời kết</li>
</ol>
1. Khó khăn trong hỗ trợ sức khỏe tâm thần
Hiện nay, nhu cầu hỗ trợ sức khỏe tâm thần, đặc biệt là trong lĩnh vực nghiện ma túy và rượu, đang rất lớn. Tuy nhiên, việc đáp ứng nhu cầu này bằng con người là điều bất khả thi. Danh sách chờ của các nhà tâm lý học rất dài, và thời gian chờ đợi giữa các cuộc hẹn cũng rất lâu.
2. Nghiên cứu của HMRI về AI chatbot
Để giải quyết vấn đề này, Viện Nghiên cứu Y khoa Hunter (HMRI) đang tiến hành nghiên cứu đào tạo AI chatbot. Mục tiêu là tạo ra những chatbot có thể phản hồi tin nhắn một cách phù hợp và đồng cảm, từ đó cung cấp hỗ trợ sức khỏe tâm thần 24/7.
Dưới sự dẫn dắt của Tiến sĩ Louise Thornton, Tiến sĩ Dara Sampson và Tiến sĩ Jamin Day từ Chương trình Nghiên cứu Sức khỏe Tâm thần HMRI, nhóm nghiên cứu đang tìm cách xác định xem liệu mọi người có thích trò chuyện với AI chatbot được đào tạo hay với chuyên viên sức khỏe tâm thần.
3. Kết quả nghiên cứu ban đầu
Nghiên cứu đang tuyển dụng 100 người tham gia vào một thử nghiệm mù nhằm đánh giá phản hồi của AI và con người đối với các câu hỏi liên quan đến sức khỏe tâm thần và nghiện ma túy và rượu. 
Tiến sĩ Louise Thornton cho biết: "Chat GPT đang trở nên rất tinh vi trong giao tiếp ngôn ngữ tự nhiên. Nó có thể đưa ra câu trả lời được viết tốt, ngữ pháp chính xác cho các câu hỏi phức tạp. Tuy nhiên, điều chúng tôi chưa biết là nó giỏi đến mức nào trong việc hiểu các tình huống phức tạp có thể liên quan đến sắc thái, mỉa mai và đọc hiểu ẩn ý."
"Hỗ trợ nghiện ma túy và rượu cũng như sức khỏe tâm thần là vấn đề nhạy cảm. Điều chúng tôi muốn tìm hiểu là liệu AI có thể cung cấp phản hồi đồng cảm và phù hợp như các chuyên viên sức khỏe tâm thần?"
4. Mục tiêu nghiên cứu
Nghiên cứu này đặt AI cạnh tranh trực tiếp với các nhà tâm lý lâm sàng và nhân viên xã hội giàu kinh nghiệm. 
"Chúng tôi rất háo hức muốn xem kết quả vì chúng tôi có một trang web mạng xã hội được gọi là Breathing Space, nơi mọi người có thể đến với nhau. Trang web này được quản lý thủ công, đòi hỏi rất nhiều tài nguyên. Điều này khiến việc mở rộng quy mô trở nên khó khăn," Tiến sĩ Thornton chia sẻ.
"Chúng tôi đã cố gắng thiết lập AI để thành công bằng cách đào tạo mô hình AI bằng cách cung cấp cho nó quyền truy cập vào các chương trình điều trị trực tuyến của chúng tôi về sức khỏe tâm thần và vấn đề nghiện ma túy và rượu, sau đó yêu cầu nó tạo ra phản hồi cho các loại câu hỏi và nhận xét mà chúng tôi thường nhận được trên trang web Breathing Space của chúng tôi."
"Chúng tôi không bao giờ muốn thay thế con người nhưng chúng tôi muốn mở rộng quy mô. Điều chúng tôi hy vọng hiểu được là làm thế nào AI có thể được sử dụng để tăng cường những gì chúng tôi đang làm, để mở rộng tác động của nó."
"Chúng tôi sẽ không bao giờ mơ tưởng đến việc triển khai nó cho đến khi nó đủ tốt. Chúng tôi muốn chắc chắn rằng nó sẽ không bị ảo giác hoặc đi chệch hướng. Nếu chúng tôi sử dụng nó, sẽ có một lời xác nhận rằng đó là một AI đang phản hồi."
"Chúng tôi biết rằng điều đó không chỉ là cung cấp thông tin. Đó là về các phản hồi có sắc thái, cá nhân hóa, đồng cảm, thông minh. Liệu một chatbot có thể xây dựng lòng tin và sự đồng cảm như một con người? Và liệu nó vẫn hoạt động nếu người đó biết đó là một chatbot?
"Đây chỉ là một mảnh ghép trong bức tranh. Nó không phải là một giải pháp toàn diện. Chúng tôi muốn biết làm thế nào chúng ta có thể tận dụng công nghệ này để cải thiện phạm vi tiếp cận và tác động," Tiến sĩ Thornton nói.
5. Cách thức tham gia nghiên cứu
Nghiên cứu về AI đang tuyển dụng ngay bây giờ. Đó là một cuộc khảo sát mở cửa cho những người trên 18 tuổi. Tất cả những gì bạn phải làm là đánh giá các tin nhắn được tạo bởi cả chatbot và các chuyên viên.
6. Lời kết
Nghiên cứu của HMRI về AI chatbot là một bước tiến quan trọng trong việc tìm kiếm giải pháp hiệu quả cho vấn đề thiếu hụt dịch vụ hỗ trợ sức khỏe tâm thần. Kết quả nghiên cứu này sẽ mang đến những thông tin quý báu về tiềm năng của AI trong việc nâng cao chất lượng và khả năng tiếp cận dịch vụ hỗ trợ sức khỏe tâm thần.

Trí tuệ nhân tạo có thể giúp sức khỏe tâm thần: Chatbot AI đã sẵn sàng?

Trí tuệ nhân tạo và sức khỏe tâm thần: Liệu chatbot AI đã sẵn sàng cho những cuộc đối thoại thực sự? Mục lục Khó khăn trong hỗ trợ sức kh...

tháng 11 11, 2024

Ollama Hỗ trợ Llama 3.2 Vision: Mở Rộng Khả Năng Xử Lý Hình Ảnh

<h2>Ollama Hỗ trợ Llama 3.2 Vision: Mở Ra Khả Năng Xử Lý Hình Ảnh Trên LLM Tại Địa Phương</h2>
Mục lục:
<ol>
<li>Giới thiệu về Ollama và Llama 3.2 Vision</li>
<li>Khả năng của Llama 3.2 Vision</li>
<li>Lợi ích của Ollama trong Xử Lý Hình Ảnh</li>
<li>Cập nhật mới nhất của Ollama</li>
<li>Vấn đề bảo mật của Ollama</li>
</ol>
1. Giới thiệu về Ollama và Llama 3.2 Vision
Ollama là một nền tảng mã nguồn mở cho phép người dùng chạy các mô hình ngôn ngữ lớn (LLM) tại địa phương trên máy tính của họ. Nền tảng này vừa mới được cập nhật để hỗ trợ Llama 3.2 Vision - một mô hình đa phương thức có khả năng nhận diện, lý giải và chú thích hình ảnh.
Llama 3.2 Vision là một mô hình ngôn ngữ lớn (LLM) đa phương thức được phát triển bởi Meta, có khả năng xử lý cả văn bản và hình ảnh. Nó có thể thực hiện các nhiệm vụ liên quan đến hình ảnh như nhận diện đối tượng, phân tích nội dung và tạo chú thích. 
2. Khả năng của Llama 3.2 Vision
Llama 3.2 Vision có thể xử lý nhiều nhiệm vụ liên quan đến hình ảnh, bao gồm:
<ul>
<li>Nhận diện chữ viết tay: Phân biệt và chuyển đổi văn bản chữ viết tay thành văn bản in.</li>
<li>Nhận diện đối tượng: Xác định và phân loại các đối tượng trong hình ảnh.</li>
<li>Tạo chú thích: Mô tả ngắn gọn và chính xác về nội dung của hình ảnh.</li>
<li>Phân tích trực quan dữ liệu: Phân tích và tóm tắt thông tin trong các biểu đồ và biểu đồ.</li>
<li>Hỗ trợ câu hỏi và trả lời: Trả lời các câu hỏi liên quan đến nội dung của hình ảnh.</li>
</ul>
3. Lợi ích của Ollama trong Xử Lý Hình Ảnh
Việc Ollama hỗ trợ Llama 3.2 Vision mang lại nhiều lợi ích cho người dùng:
<ul>
<li>Xử lý hình ảnh tại địa phương: Ollama cho phép người dùng chạy các mô hình LLM tại địa phương trên thiết bị của họ, loại bỏ sự cần thiết phải tải hình ảnh lên đám mây, do đó bảo mật dữ liệu của người dùng.</li>
<li>Hỗ trợ đa dạng các tác vụ: Ollama cung cấp khả năng xử lý hình ảnh đa dạng, từ nhận diện chữ viết tay đến tạo chú thích và phân tích dữ liệu trực quan.</li>
<li>Hoạt động hiệu quả: Ollama được thiết kế để tối ưu hóa hiệu suất và mang lại kết quả nhanh chóng.</li>
</ul>
4. Cập nhật mới nhất của Ollama
Phiên bản v0.4 của Ollama đã được phát hành, mang đến nhiều cải tiến, bao gồm:
<ul>
<li>Hỗ trợ Llama 3.2 Vision: Người dùng giờ đây có thể sử dụng Llama 3.2 Vision trong cả hai phiên bản 11B và 90B.</li>
<li>Nâng cao tốc độ: Ollama đã tối ưu hóa tốc độ xử lý cho các yêu cầu tiếp theo đến mô hình vision.</li>
<li>Hỗ trợ Safetensors: Ollama có thể nhập các mô hình từ Safetensors mà không cần Modelfile khi chạy "ollama create my-model".</li>
</ul>
5. Vấn đề bảo mật của Ollama
Mặc dù Ollama có nhiều ưu điểm, nhưng gần đây, một báo cáo đã phát hiện ra 6 lỗ hổng bảo mật nghiêm trọng trong nền tảng này, trong đó 4 lỗ hổng đã được vá trong bản cập nhật mới. Hai lỗ hổng còn lại đang được các nhà phát triển Ollama điều tra.
Các lỗ hổng bảo mật này có thể cho phép kẻ tấn công thực hiện nhiều hành động độc hại, bao gồm tấn công từ chối dịch vụ (DoS), đầu độc mô hình, đánh cắp mô hình và nhiều hơn nữa.
Kết luận:
Ollama là một công cụ mạnh mẽ cho phép người dùng chạy LLM tại địa phương trên máy tính của họ. Việc hỗ trợ Llama 3.2 Vision mở rộng thêm khả năng xử lý hình ảnh cho nền tảng này. Tuy nhiên, các lỗ hổng bảo mật gần đây cần được giải quyết để đảm bảo an ninh và bảo mật cho người dùng.

Ollama Hỗ trợ Llama 3.2 Vision: Mở Rộng Khả Năng Xử Lý Hình Ảnh

Ollama Hỗ trợ Llama 3.2 Vision: Mở Ra Khả Năng Xử Lý Hình Ảnh Trên LLM Tại Địa Phương Mục lục: Giới thiệu về Ollama và Llama 3.2 Vision ...

tháng 11 11, 2024

Chạy Chatbot AI Tại Nhà Với Ollama

<h2>Chạy chatbot AI tại nhà với Ollama</h2>
Mục lục:
<ol>
<li>Tại sao nên chạy chatbot tại nhà?</li>
<li>Những điểm cần lưu ý khi sử dụng các mô hình ngôn ngữ lớn</li>
<li>Cài đặt và sử dụng Ollama<ul>
<li>Cài đặt Ollama</li>
<li>Chạy mô hình AI Ollama đầu tiên</li>
<li>Chạy các mô hình khác</li>
<li>Các lệnh khác cần biết</li>
</ul>
</li>
<li>Một số điều bạn có thể thử</li>
<li>Lời kết</li>
</ol>
<hr>
<h3>1. Tại sao nên chạy chatbot tại nhà?</h3>
Chatbot AI như ChatGPT và Claude ngày càng phổ biến. Việc chạy một chatbot AI tại nhà mang lại một số lợi ích đáng kể:
<ul>
<li>Bảo mật dữ liệu: Dữ liệu của bạn sẽ được lưu trữ trên thiết bị của bạn, đảm bảo thông tin cá nhân không bị chia sẻ với các máy chủ bên ngoài hoặc dịch vụ đám mây.</li>
<li>Sử dụng ngoại tuyến: Bạn có thể sử dụng chatbot AI mà không cần kết nối internet, tiện lợi trong trường hợp kết nối internet bị hạn chế hoặc không ổn định.</li>
<li>Tùy chỉnh: Bạn có thể tinh chỉnh chatbot để phù hợp với nhu cầu cụ thể hoặc tích hợp nó với các bộ dữ liệu riêng biệt.</li>
<li>Hiệu quả chi phí: Nhiều dịch vụ AI dựa trên đám mây tính phí cho việc sử dụng API hoặc có phí đăng ký. Chạy mô hình tại nhà là hoàn toàn miễn phí.</li>
<li>Giảm độ trễ: Không cần yêu cầu từ máy chủ bên ngoài, chatbot AI có thể phản hồi nhanh hơn, tạo trải nghiệm mượt mà và thú vị hơn.</li>
<li>Thực nghiệm và học hỏi: Bạn có thể thoải mái thử nghiệm các cài đặt, tinh chỉnh mô hình hoặc thử các phiên bản khác nhau của AI. Điều này rất hữu ích cho các nhà phát triển và những người đam mê muốn có trải nghiệm thực tế với công nghệ AI.</li>
</ul>
<h3>2. Những điểm cần lưu ý khi sử dụng các mô hình ngôn ngữ lớn</h3>
Các mô hình ngôn ngữ lớn, dù lớn hay nhỏ, đều có thể tiêu tốn nhiều tài nguyên. Chúng thường yêu cầu phần cứng mạnh mẽ như GPU để xử lý, nhiều RAM để lưu trữ mô hình trong bộ nhớ và dung lượng lưu trữ đáng kể cho các bộ dữ liệu ngày càng lớn.
<ul>
<li>Tham số: Các tham số là những giá trị mà mô hình điều chỉnh trong quá trình huấn luyện. Nhiều tham số hơn dẫn đến khả năng hiểu ngôn ngữ tốt hơn, nhưng mô hình lớn hơn yêu cầu nhiều tài nguyên và thời gian huấn luyện hơn. Đối với các nhiệm vụ đơn giản hơn, các mô hình có ít tham số hơn, như 2B (tỷ) hoặc 8B, có thể đủ và nhanh hơn để huấn luyện.</li>
<li>Token: Token là những đoạn văn bản mà mô hình xử lý. Giới hạn token của một mô hình ảnh hưởng đến lượng văn bản mà nó có thể xử lý cùng lúc, vì vậy khả năng lớn hơn cho phép hiểu tốt hơn các đầu vào phức tạp.</li>
<li>Kích thước bộ dữ liệu: Các bộ dữ liệu nhỏ và cụ thể - như những bộ được sử dụng cho các chatbot dịch vụ khách hàng - huấn luyện nhanh hơn. Các bộ dữ liệu lớn hơn, mặc dù phức tạp hơn, mất nhiều thời gian hơn để huấn luyện. Tinh chỉnh các mô hình được huấn luyện sẵn với dữ liệu chuyên biệt thường hiệu quả hơn là bắt đầu từ đầu.</li>
</ul>
<h3>3. Cài đặt và sử dụng Ollama</h3>
Ollama là một nền tảng AI thân thiện với người dùng, cho phép bạn chạy các mô hình AI tại nhà trên máy tính của mình.
<h4>3.1 Cài đặt Ollama</h4>
Bạn có thể cài đặt Ollama trên Linux, macOS và Windows (hiện đang trong giai đoạn xem xét).
<ul>
<li>macOS và Windows: Tải xuống chương trình cài đặt từ trang web Ollama và làm theo các bước cài đặt như bất kỳ ứng dụng nào khác.</li>
<li>Linux: Mở terminal và chạy lệnh sau:</li>
</ul>
<pre><code class="language-bash">curl -fsSL https://ollama.com/install.sh | sh
</code></pre>
Sau khi cài đặt, bạn đã sẵn sàng thử nghiệm chatbot AI tại nhà.
<h4>3.2 Chạy mô hình AI Ollama đầu tiên</h4>
Sau khi cài đặt Ollama, mở terminal trên Linux hoặc macOS, hoặc PowerShell trên Windows. Chúng ta sẽ chạy một mô hình LLM phổ biến được phát triển bởi Meta có tên là Llama 3.1:
<pre><code class="language-bash">ollama run llama3.1
</code></pre>
Vì đây là lần đầu tiên bạn sử dụng Ollama, nó sẽ tự động tải xuống mô hình llama 3.1, cài đặt nó và cung cấp lời nhắc để bạn bắt đầu đặt câu hỏi.
<h4>3.3 Chạy các mô hình khác</h4>
Llama 3.1 là một điểm khởi đầu tuyệt vời, nhưng bạn có thể muốn khám phá các mô hình khác, ví dụ, những mô hình nhẹ hơn phù hợp hơn với hiệu suất hệ thống của bạn. 
Để tải xuống Phi 3:
<pre><code class="language-bash">ollama run phi3
</code></pre>
Ollama sẽ tự động tải xuống, cài đặt và chạy nó.
<h4>3.4 Các lệnh khác cần biết</h4>
Ollama có một số lệnh khác bạn có thể sử dụng, nhưng đây là một vài lệnh chúng tôi nghĩ bạn có thể muốn biết:
<ul>
<li>Loại bỏ mô hình: Các mô hình chiếm khá nhiều dung lượng đĩa. Để dọn dẹp dung lượng, hãy xóa các mô hình không sử dụng bằng lệnh:</li>
</ul>
<pre><code class="language-bash">ollama rm modelname
</code></pre>
<ul>
<li>Xem danh sách mô hình: Để xem danh sách các mô hình đã tải xuống, hãy chạy lệnh:</li>
</ul>
<pre><code class="language-bash">ollama list
</code></pre>
<ul>
<li>Dừng mô hình: Nếu bạn muốn dừng một mô hình để giải phóng tài nguyên, hãy sử dụng lệnh:</li>
</ul>
<pre><code class="language-bash">ollama stop
</code></pre>
<ul>
<li>Xem danh sách lệnh: Để xem danh sách các lệnh của Ollama, hãy chạy lệnh:</li>
</ul>
<pre><code class="language-bash">ollama --help
</code></pre>
<h3>4. Một số điều bạn có thể thử</h3>
Nếu bạn đã do dự trong việc thử chatbot AI vì lo ngại về bảo mật hoặc quyền riêng tư, thì đây là lúc bạn thử nghiệm. Dưới đây là một số ý tưởng để bắt đầu:
<ul>
<li>Tạo danh sách việc cần làm: Yêu cầu Ollama tạo danh sách việc cần làm cho ngày hôm nay.</li>
<li>Lên kế hoạch bữa trưa cho cả tuần: Bạn cần trợ giúp lên kế hoạch bữa ăn cho cả tuần? Hãy hỏi Ollama.</li>
<li>Tóm tắt bài báo: Ít thời gian? Dán bài báo vào Ollama và yêu cầu tóm tắt.</li>
</ul>
Hãy thử nghiệm và xem Ollama có thể hỗ trợ bạn trong việc giải quyết vấn đề, sáng tạo hoặc trong các nhiệm vụ hàng ngày như thế nào. 
<h3>5. Lời kết</h3>
Chúc mừng bạn đã thiết lập chatbot AI tại nhà! Bạn đã thực hiện những bước đầu tiên vào thế giới AI đầy thú vị, tạo ra một công cụ mạnh mẽ phù hợp với nhu cầu cụ thể của mình. Bằng cách chạy mô hình tại nhà, bạn đã đảm bảo quyền riêng tư tốt hơn, phản hồi nhanh hơn và khả năng tinh chỉnh AI cho các tác vụ tùy chỉnh.

Chạy Chatbot AI Tại Nhà Với Ollama

Chạy chatbot AI tại nhà với Ollama Mục lục: Tại sao nên chạy chatbot tại nhà? Những điểm cần lưu ý khi sử dụng các mô hình ngôn ngữ lớn ...

tháng 11 11, 2024

ByteDance Thêm Tính Năng Tạo Video Vào Doubao

<h2>ByteDance Thêm Tính Năng Tạo Video Vào Ứng Dụng Trò Chuyện AI Doubao Phổ Biến Nhất Trung Quốc</h2>
<h3>Mục lục</h3>
<ol>
<li>ByteDance Mở Rộng Doubao</li>
<li>Doubao: Ứng Dụng AI Phổ Biến Nhất Trung Quốc</li>
<li>Động Lực Phía Sau Sự Phát Triển của AI Tạo</li>
<li>Cạnh Tranh Trong Thị Trường Tạo Video Hỗ Trợ AI</li>
</ol>
<h3>1. ByteDance Mở Rộng Doubao</h3>
ByteDance, công ty mẹ của TikTok, đang bổ sung khả năng tạo video vào Doubao, một ứng dụng trò chuyện AI thay thế ChatGPT. Hành động này thể hiện tham vọng của gã khổng lồ video ngắn trong việc khẳng định vị thế dẫn đầu trên thị trường AI tạo đang phát triển nhanh chóng tại Trung Quốc.
Doubao, được hỗ trợ bởi mô hình ngôn ngữ lớn (LLM) cùng tên, đã bắt đầu thử nghiệm chức năng video mới. Chức năng này cho phép chuyển đổi văn bản hoặc hình ảnh thành các đoạn video chân thực, dựa trên khả năng "hiểu ngữ nghĩa xuất sắc" của ứng dụng, theo giới thiệu của Doubao.
<h3>2. Doubao: Ứng Dụng AI Phổ Biến Nhất Trung Quốc</h3>
Hiện tại, chức năng video mới chỉ khả dụng cho một nhóm người dùng thử nghiệm sớm. Tính năng này hỗ trợ các chuyển động camera nâng cao và nhiều phong cách nghệ thuật khác nhau, theo mô tả.
ByteDance hy vọng sẽ củng cố vị thế dẫn đầu của Doubao trên thị trường. Dịch vụ này được xếp hạng là ứng dụng AI phổ biến nhất tại Trung Quốc trong tháng trước bởi Aicpb.com, một trang web theo dõi sự phổ biến của các sản phẩm AI trên toàn thế giới. Đây là một chiến thắng cho ByteDance, một công ty vốn chậm chân trong việc xây dựng LLM mặc dù đã đầu tư vào AI từ rất sớm.
<h3>3. Động Lực Phía Sau Sự Phát Triển của AI Tạo</h3>
ByteDance đã nỗ lực đẩy mạnh AI tạo vào đầu năm nay sau khi CEO Liang Rubo khiển trách các nhân viên vì quá chậm chạp trong việc ứng phó với sự xuất hiện của các công nghệ mới. Vào tháng 2, Kelly Zhang Nan, một nhân vật kỳ cựu của công ty, đã từ chức vị trí CEO của Douyin, nền tảng tương tự TikTok của Trung Quốc, để dành nhiều thời gian cho ứng dụng chỉnh sửa video CapCut. Bà cho rằng "công nghệ AI sẽ phá vỡ cách thức sáng tạo nội dung".
CapCut và Doubao đều ghi nhận nhiều lượt tải xuống toàn cầu hơn ChatGPT của OpenAI vào tháng 7, theo báo cáo của công ty nghiên cứu ngành Unique Capital.
<h3>4. Cạnh Tranh Trong Thị Trường Tạo Video Hỗ Trợ AI</h3>
ByteDance cũng đã giới thiệu một loạt sản phẩm video AI mới. Vào thứ Sáu, Jimeng AI, một ứng dụng video ra mắt vào giữa năm 2024, đã phát hành bản nâng cấp bao gồm lần lặp thứ hai của mô hình video Seaweed, cho phép tạo ra các đoạn video nhanh hơn với chi tiết phong phú hơn.
Seaweed và PixelDance, một mô hình video khác, đã được bổ sung vào gia đình LLM của Doubao vào tháng 9. Tại sự kiện ra mắt, Tan Dai, giám đốc điều hành của ByteDance, cho biết kinh nghiệm tích lũy được bởi Douyin trong nhiều năm qua đã giúp cải thiện khả năng tạo video của các mô hình này.
Tuy nhiên, ByteDance đang phải đối mặt với sự cạnh tranh ngày càng gia tăng trong lĩnh vực này. Kuaishou Technologies, đối thủ cạnh tranh của ByteDance, đã trở thành công ty công nghệ lớn đầu tiên tại Trung Quốc ra mắt nền tảng tạo video AI với việc phát hành Kling vào tháng 6. Các công ty khởi nghiệp Zhipu AI và Shengshu AI đã theo sau vào tháng 7 với các công cụ tương ứng của họ.
Thị trường tạo video hỗ trợ AI của Trung Quốc dự kiến sẽ đạt 9,3 tỷ nhân dân tệ (1,3 tỷ USD) vào năm 2026, theo công ty nghiên cứu LeadLeo.

ByteDance Thêm Tính Năng Tạo Video Vào Doubao

ByteDance Thêm Tính Năng Tạo Video Vào Ứng Dụng Trò Chuyện AI Doubao Phổ Biến Nhất Trung Quốc Mục lục ByteDance Mở Rộng Doubao Doubao: Ứ...

tháng 11 11, 2024

Meta Đang Phát Triển Robot Hợp Tác với Cảm Giác Chạm và AI

Tinh chỉnh mô hình ngôn ngữ lớn (LLM) tại nhà

Trí tuệ nhân tạo có thể giúp sức khỏe tâm thần: Chatbot AI đã sẵn sàng?

Ollama Hỗ trợ Llama 3.2 Vision: Mở Rộng Khả Năng Xử Lý Hình Ảnh

Chạy Chatbot AI Tại Nhà Với Ollama

ByteDance Thêm Tính Năng Tạo Video Vào Doubao

Bài đăng phổ biến

Labels