Biến Cách Mạng Xử Lý Văn Bản: Meta Ra Mắt Kiến Trúc Ngôn Ngữ Mới BLT

<p><strong>Mục lục</strong></p> <ol> <li>Giới thiệu về vấn đề</li> <li>Giải pháp của Meta: Kiến trúc Byte Latent Transformer (BLT)</li> <li>Ưu điểm vượt trội của BLT</li> <li>So sánh hiệu quả với các mô hình khác</li> <li>Tầm nhìn tương lai và ứng dụng của BLT</li> <li>Kết luận</li> </ol> <p><strong>1. Giới thiệu về vấn đề</strong></p> <p>Các mô hình ngôn ngữ hiện đại thường gặp khó khăn trong việc xử lý chính xác từng ký tự riêng lẻ. Hầu hết chúng dựa trên việc phân chia văn bản thành các "mã thông báo" (tokens) – các chuỗi ký tự ngắn – dẫn đến việc mất đi khả năng truy cập trực tiếp vào các ký tự cá nhân. Điều này gây ra nhiều hạn chế, ví dụ như việc đếm số lần xuất hiện của một ký tự cụ thể trong một từ (chẳng hạn như đếm số chữ "n" trong từ "mayonnaise") trở nên khó khăn. Hơn nữa, phương pháp dựa trên mã thông báo cũng làm giảm hiệu quả khi xử lý các loại dữ liệu khác như hình ảnh và âm thanh. Mặc dù các công ty vẫn sử dụng mã thông báo vì xử lý byte thô đòi hỏi sức mạnh tính toán khổng lồ, nhưng Meta tuyên bố đã tìm ra cách khắc phục hạn chế này.</p> <p><strong>2. Giải pháp của Meta: Kiến trúc Byte Latent Transformer (BLT)</strong></p> <p>Meta đã phát triển một kiến trúc AI mới mang tên Byte Latent Transformer (BLT) để giải quyết vấn đề này. Thay vì sử dụng mã thông báo, BLT xử lý dữ liệu trực tiếp ở cấp độ byte. Để kiểm soát yêu cầu tính toán, hệ thống nhóm các byte thành các "mảng" (patches) một cách động. Với văn bản đơn giản, dễ đoán, BLT kết hợp các byte thành các mảng lớn hơn. Đối với các đoạn văn bản phức tạp, nó tạo ra các mảng nhỏ hơn và dành nhiều sức mạnh tính toán hơn để xử lý chúng.</p> <p><img alt="User added image" src="https://the-decoder.com/wp-content/uploads/2024/12/BLT_paper_architecture_and_examples-1-770x512.png"></p> <p>Hình ảnh minh họa kiến trúc Transformer với bộ mã hóa/giải mã cục bộ và Transformer tiềm ẩn, cho thấy quá trình xử lý ở cấp độ byte 5 giai đoạn. Hệ thống sử dụng năm giai đoạn kết hợp các bộ chuyển đổi cục bộ và toàn cục để xử lý dữ liệu ở cấp độ byte. Điều này cho phép xử lý luồng byte trực tiếp mà không cần chuyển đổi thành mã thông báo trước, dẫn đến sự linh hoạt và hiệu quả cao hơn.</p> <p>Hệ thống BLT hoạt động qua năm giai đoạn riêng biệt: Đầu tiên, một mô hình cục bộ chuyển đổi các byte thành dạng mã hóa và kết hợp chúng thành các mảng. Sau đó, các mảng này được xử lý bởi một bộ chuyển đổi lớn. Tiếp theo, một mô hình cục bộ khác chuyển đổi chúng trở lại thành byte. Cuối cùng, một bộ chuyển đổi nhỏ hơn phân tích chuỗi để dự đoán byte tiếp theo.</p> <p><strong>3. Ưu điểm vượt trội của BLT</strong></p> <p>BLT vượt trội hơn các mô hình lớn hơn trong các tác vụ đòi hỏi sự hiểu biết về từng ký tự riêng lẻ. Chỉ với 8 tỷ tham số, hệ thống này hoạt động tốt hơn Llama 3.1, mặc dù Llama được huấn luyện trên lượng dữ liệu gấp 16 lần. Kiến trúc mới này cũng hiệu quả hơn trong việc mở rộng quy mô so với các hệ thống hiện tại. Nhóm nghiên cứu của Meta phát hiện ra rằng họ có thể cải thiện hiệu suất mà không làm tăng chi phí bằng cách mở rộng cả kích thước mảng và mô hình đồng thời. Phương pháp này đạt được hiệu quả cao hơn tới 50% trong quá trình suy luận mà vẫn duy trì hiệu suất tương tự.</p> <p>Điểm mạnh nhất của BLT là khả năng xử lý văn bản bất thường hoặc bị hỏng. BLT hoạt động tốt hơn khi xử lý các mẫu văn bản hiếm gặp và duy trì hiệu suất ngay cả khi có nhiễu hoặc các nhiễu loạn khác trong đầu vào.</p> <p><img alt="User added image" src="https://the-decoder.com/wp-content/uploads/2024/12/BLT_paper_architecture_and_examples-e1734262066870.png"></p> <p>Hình ảnh minh họa: Bằng cách sử dụng các mảng byte, kiến trúc BLT có thể nhắm mục tiêu các ký tự riêng lẻ chính xác hơn nhiều.</p> <p><strong>4. So sánh hiệu quả với các mô hình khác</strong></p> <p>(Một bảng so sánh kết quả giữa Llama 3 và BLT cho các tác vụ như thay thế từ, thay thế ký tự, v.v... nên được đưa vào đây. Tuy nhiên, dữ liệu chi tiết chưa được cung cấp trong bài báo gốc, nên phần này chỉ có thể nêu khái quát: BLT cho thấy hiệu suất vượt trội so với Llama 3.1 trong các bài toán liên quan đến xử lý ký tự).</p> <p><strong>5. Tầm nhìn tương lai và ứng dụng của BLT</strong></p> <p>Meta đã công khai mã nguồn và kết quả nghiên cứu trên GitHub. Công ty hy vọng điều này sẽ đẩy nhanh tiến độ phát triển trong việc xử lý các ngôn ngữ ít phổ biến, mã máy tính và làm cho các hệ thống AI chính xác hơn với các sự kiện. BLT hứa hẹn sẽ mang lại nhiều ứng dụng quan trọng trong tương lai, đặc biệt là trong lĩnh vực xử lý ngôn ngữ tự nhiên và các loại dữ liệu phức tạp khác.</p> <p><strong>6. Kết luận</strong></p> <p>Byte Latent Transformer (BLT) của Meta là một bước tiến quan trọng trong kiến trúc mô hình ngôn ngữ. Bằng cách xử lý dữ liệu ở cấp độ byte, BLT đã giải quyết được một nhược điểm cơ bản của các mô hình hiện tại, mở ra hướng đi mới cho sự phát triển của AI trong việc xử lý ngôn ngữ và các loại dữ liệu khác. Với hiệu quả và tính linh hoạt vượt trội, BLT hứa hẹn sẽ cách mạng hóa nhiều ứng dụng trong tương lai.</p>

Biến Cách Mạng Xử Lý Văn Bản: Meta Ra Mắt Kiến Trúc Ngôn Ngữ Mới BLT

Mục lục Giới thiệu về vấn đề Giải pháp của Meta: Kiến trúc Byte Latent Transformer (BLT) Ưu điểm vượt trội của BLT So sánh hiệu quả với...

Read more »

Tăng tốc suy luận AI: Giải mã kỹ thuật giải mã dự đoán

<p><strong>Mục lục</strong></p> <ol> <li>Giới thiệu về tốc độ suy luận AI</li> <li>Giải mã dự đoán: Một "mã gian lận" cho hiệu năng</li> <li>Thực hành giải mã dự đoán với Llama.cpp</li> <li>Tại sao cần giải mã dự đoán?</li> <li>Thử nghiệm và kết quả</li> <li>Kết luận</li> </ol> <h2>1. Giới thiệu về tốc độ suy luận AI</h2> <p>Trong lĩnh vực suy luận AI, tốc độ tạo ra phản hồi càng nhanh càng tốt. Gần đây, nhiều công ty khởi nghiệp về chip đã công bố những con số hiệu năng đáng kinh ngạc. Cerebras tuyên bố đạt mốc suy luận 969 token/giây với mô hình khổng lồ 405 tỷ tham số của Meta (539 token/giây ở cửa sổ ngữ cảnh đầy đủ 128K). Với mô hình Llama 3.1 70B nhỏ hơn, Cerebras đạt hiệu năng thậm chí còn cao hơn, vượt quá 2.100 token/giây. Không kém cạnh, công ty khởi nghiệp chip AI Groq đạt 1.665 token/giây.</p> <p>Những con số này vượt xa mọi thứ có thể đạt được chỉ với GPU. Bảng xếp hạng API Llama 3.1 70B của Artificial Analysis cho thấy ngay cả các sản phẩm dựa trên GPU nhanh nhất cũng chỉ đạt tối đa khoảng 120 token/giây, trong khi các nhà cung cấp IaaS thông thường chỉ đạt khoảng 30 token/giây.</p> <p>Một phần nguyên nhân là do chip của Cerebras và Groq không phải là GPU. Chúng là các bộ tăng tốc AI được chế tạo đặc biệt, tận dụng các ngân hàng SRAM lớn để khắc phục các tắc nghẽn băng thông thường gặp trong suy luận. Tuy nhiên, điều này không giải thích được sự tăng vọt hiệu năng lớn đến vậy. Trước đây, Cerebras và Groq đã cho thấy hiệu năng Llama 3.1 70B khoảng 450 và 250 token/giây.</p> <p>Sự đột phá về hiệu năng này là nhờ một kỹ thuật gọi là <strong>giải mã dự đoán</strong>.</p> <h2>2. Giải mã dự đoán: Một "mã gian lận" cho hiệu năng</h2> <p>Giải mã dự đoán là một kỹ thuật khá đơn giản. Nó sử dụng một mô hình dự thảo nhỏ hơn (ví dụ: Llama 3.1 8B) để tạo đầu ra ban đầu, trong khi một mô hình lớn hơn (như Llama 3.1 70B hoặc 405B) đóng vai trò kiểm tra thực tế để đảm bảo độ chính xác.</p> <p>Khi thành công, nghiên cứu cho thấy kỹ thuật này có thể tăng tốc độ tạo token từ 2x đến 3x, trong khi các ứng dụng thực tế đã cho thấy sự cải thiện lên tới 6x.</p> <p>Có thể hình dung mô hình dự thảo như một trợ lý cá nhân chuyên đánh máy nhanh. Họ có thể trả lời email nhanh hơn nhiều, và miễn là dự đoán của họ chính xác, tất cả những gì bạn (trong ví dụ này là mô hình lớn) cần làm là nhấn gửi. Nếu họ không làm đúng, bạn có thể can thiệp và sửa chữa.</p> <p>Kết quả của việc sử dụng giải mã dự đoán là, ít nhất là trung bình, thông lượng cao hơn vì mô hình dự thảo yêu cầu ít tài nguyên hơn - cả về TOPS hoặc FLOPS và băng thông bộ nhớ. Hơn nữa, vì mô hình lớn vẫn đang kiểm tra kết quả, nên các nhà đánh giá chuẩn tại Artificial Analysis khẳng định về cơ bản không có sự mất mát về độ chính xác so với việc chỉ chạy mô hình đầy đủ.</p> <h2>3. Thực hành giải mã dự đoán với Llama.cpp</h2> <p>Bài viết hướng dẫn sử dụng Llama.cpp để thực hành giải mã dự đoán. Việc cài đặt và cấu hình Llama.cpp tương đối đơn giản, có sẵn các gói đã được biên dịch sẵn cho macOS, Windows và Linux. Tuy nhiên, để đạt hiệu năng tốt nhất với phần cứng cụ thể, nên biên dịch thủ công phiên bản mới nhất.</p> <p>Sau khi cài đặt Llama.cpp, bạn có thể khởi chạy một máy chủ mới bằng cách sử dụng giải mã dự đoán. Ví dụ, lệnh sau sử dụng hai mô hình GGUF 8-bit đã được lượng tử hóa từ Hugging Face: Llama 3.2 1B làm mô hình dự thảo và Llama 3.1 8B làm mô hình chính.</p> <pre><code class="language-bash">./llama-speculative -m Meta-Llama-3.1-8B-Instruct-Q8_0.gguf -md Llama-3.2-1B-Instruct-Q8_0.gguf -c 4096 -cd 4096 -ngl 99 -ngld 99 --draft-max 16 --draft-min 4 -n 128 -p "Who was the first prime minister of Britain?" </code></pre> <p>(Người dùng Windows cần thay thế <code>./llama-speculative</code> bằng <code>llama-speculative.exe</code>. Nếu không sử dụng tăng tốc GPU, hãy xóa <code>-ngl 99</code> và <code>-ngld 99</code>.)</p> <p>Kết quả sẽ hiển thị tốc độ tạo và số lượng token do mô hình nhỏ tạo ra so với số lượng token được mô hình lớn chấp nhận. Tỷ lệ chấp nhận càng cao thì tốc độ tạo càng cao.</p> <p>Bạn cũng có thể khởi chạy một máy chủ API tương thích với OpenAI:</p> <pre><code class="language-bash">./llama-server -m Meta-Llama-3.1-8B-Instruct-Q8_0.gguf -md Llama-3.2-1B-Instruct-Q8_0.gguf -c 4096 -cd 4096 -ngl 99 -ngld 99 --draft-max 8 --draft-min 4 --draft-p-min 0.9 --host 0.0.0.0 --port 8087 </code></pre> <h2>4. Tại sao cần giải mã dự đoán?</h2> <p>Giải mã dự đoán không phải là mới. Tuy nhiên, với các mô hình nguyên khối ngày càng lớn hơn, giải mã dự đoán cung cấp một phương tiện để chạy các mô hình lớn như Llama 3.1 405B hiệu quả hơn mà không ảnh hưởng đến độ chính xác.</p> <p>Mô hình nền tảng 405B của Meta vẫn rất khó chạy ở thông lượng cao. Ở độ phân giải đầy đủ, để đạt tốc độ tạo 25 token/giây cần hơn 810GB vRAM và hơn 20 TB/giây băng thông bộ nhớ.</p> <p>Sử dụng giải mã dự đoán với một mô hình như Llama 3.1 70B làm mô hình dự thảo, về lý thuyết có thể đạt tốc độ tạo vượt quá 100 token/giây, nhưng khi xảy ra dự đoán sai, thông lượng sẽ giảm mạnh. Đây là một trong những thách thức của giải mã dự đoán: Nó rất hiệu quả trong việc tăng cường thông lượng, nhưng độ trễ có thể không đều.</p> <p><img alt="Cerebras COT Agentic AI" src="https://regmedia.co.uk/2024/11/27/cerebras_cot_agentic_ai.jpg?x=648&y=278&infer_y=1"></p> <h2>5. Thử nghiệm và kết quả</h2> <p>Trong thử nghiệm với Llama 3.1 8B, hiệu năng tăng đáng kể từ khoảng 90-100 token/giây lên 182 token/giây khi bật giải mã dự đoán, mặc dù tỷ lệ chấp nhận chỉ đạt 60%. Cerebras đã chứng minh hiệu năng vượt trội với giải mã dự đoán, đạt 1.665-2.100 token/giây cho mô hình 70B và lên đến 969 token/giây cho mô hình 405B.</p> <h2>6. Kết luận</h2> <p>Giải mã dự đoán là một kỹ thuật hiệu quả để tăng tốc độ suy luận AI, đặc biệt quan trọng đối với các ứng dụng đòi hỏi thông lượng cao như CoT (Chain of Thought) và AI tác động. Mặc dù độ trễ có thể không đều, nhưng ở tốc độ hàng trăm hoặc hàng nghìn token/giây, sự gián đoạn có thể không đáng kể.</p> <p><strong>Ghi chú của biên tập viên:</strong> Bài viết này được hỗ trợ bởi card đồ họa RTX 6000 Ada Generation từ Nvidia, GPU Arc A770 từ Intel và Radeon Pro W7900 DS từ AMD. Không nhà cung cấp nào can thiệp vào nội dung bài viết.</p>

Tăng tốc suy luận AI: Giải mã kỹ thuật giải mã dự đoán

Mục lục Giới thiệu về tốc độ suy luận AI Giải mã dự đoán: Một "mã gian lận" cho hiệu năng Thực hành giải mã dự đoán với Llama....

Read more »

OpenAI Ra Mắt Mô Hình Lý Luận o1 và Mô Hình Tạo Video Sora

<p><strong>Mục lục</strong></p> <ol> <li>Giới thiệu</li> <li>Mô hình lý luận o1</li> <li>Mô hình tạo video Sora</li> <li>Kết luận</li> <li>Về tác giả</li> </ol> <p><strong>1. Giới thiệu</strong></p> <p>OpenAI vừa công bố phiên bản đầy đủ của mô hình lý luận o1 và mô hình tạo video Sora. Thông báo về o1 cũng bao gồm việc ra mắt một API tinh chỉnh riêng biệt. Tin tức này được đăng tải trên InfoQ, một nguồn tin công nghệ uy tín.</p> <p><strong>2. Mô hình lý luận o1</strong></p> <p>Mô hình o1 sử dụng kỹ thuật "chuỗi suy nghĩ" (chain-of-thought) cho phép tạo ra các quá trình suy luận phức tạp, từng bước trước khi đưa ra câu trả lời. Điều này giúp mô hình xử lý tốt các nhiệm vụ đòi hỏi sự suy luận sắc thái. Mô hình được huấn luyện trên sự kết hợp của các tập dữ liệu công khai, độc quyền và tùy chỉnh. Phương pháp này tạo ra quá trình suy luận chậm hơn nhưng tỉ mỉ hơn.</p> <p><img alt="User added image" src="https://imgopt.infoq.com/fit-in/3000x4000/filters:quality(85)/filters:no_upscale()/news/2024/12/openai-sora-o1-finetuning/en/resources/1Screenshot%202024-12-12%20at%207.36.34%E2%80%AFAM-1734007185683.png"></p> <p>An toàn vẫn là yếu tố cốt lõi của dòng sản phẩm o1, với nhiều đánh giá được triển khai để tránh các nỗ lực "jailbreak" (vượt qua giới hạn an toàn) và hành vi thiên vị. Các đánh giá được OpenAI công bố cho thấy o1 vượt trội hơn GPT-4 trong việc tránh từ chối quá mức trong các ngữ cảnh lành tính. Khả năng lập luận của mô hình này mở rộng đến việc tuân thủ "Thang cấp hướng dẫn" của OpenAI, đảm bảo rằng các chỉ thị của hệ thống được ưu tiên hơn các lời nhắc của nhà phát triển và người dùng. Tuy nhiên, vẫn còn những thách thức, đặc biệt là trong các lĩnh vực như đầu vào đa phương thức, nơi việc đạt được ranh giới từ chối chính xác vẫn đang được hoàn thiện.</p> <p>Việc "red teaming" (kiểm thử an ninh mạng giả định) đóng một vai trò quan trọng trong việc kiểm tra khả năng và giới hạn của các mô hình o1, với các chuyên gia khám phá các lĩnh vực như an ninh mạng, các mối đe dọa sinh học và phóng xạ, cũng như thao túng thuyết phục. Mặc dù các cơ chế an toàn của mô hình đã thành công trong việc chống lại các kịch bản nguy cơ cao trong hầu hết các trường hợp, nhưng độ chi tiết và độ sâu tăng lên trong các phản hồi đôi khi làm tăng rủi ro khi các lần từ chối bị bỏ qua. OpenAI đang cố gắng giảm thiểu điều này bằng cách hợp tác với các nhà đánh giá bên ngoài và sử dụng "Khung chuẩn bị" của họ.</p> <p>"Họ nhà mô hình ngôn ngữ lớn o1 được huấn luyện bằng học tăng cường để thực hiện lập luận phức tạp. o1 suy nghĩ trước khi trả lời - nó có thể tạo ra một chuỗi suy nghĩ dài trước khi trả lời người dùng. Thông qua quá trình huấn luyện, các mô hình học cách trau dồi quá trình suy nghĩ của mình, thử các chiến lược khác nhau và nhận ra những sai lầm của mình." - OpenAI</p> <p><strong>3. Mô hình tạo video Sora</strong></p> <p>Mô hình Sora mới cho phép người dùng tạo video dài tới 20 giây ở độ phân giải 1080p, sử dụng các định dạng đầu vào từ mô tả văn bản đến hình ảnh và video hiện có. Dựa trên nền tảng của các kiến trúc DALL·E và GPT, Sora sử dụng phương pháp dựa trên khuếch tán để duy trì tính nhất quán trong các yếu tố hình ảnh trên nhiều khung hình. Việc huấn luyện của nó dựa trên các kỹ thuật như "viết lại chú thích" để có sự liên kết văn bản chính xác hơn.</p> <p>Sora được xây dựng trên khái niệm "mảnh hình ảnh" (visual patches), lấy cảm hứng từ các chiến lược phân đoạn trong các mô hình ngôn ngữ lớn. Video được nén thành một không gian tiềm ẩn có chiều thấp hơn và được chia thành các "mảnh không-thời gian" để biểu diễn và xử lý có thể mở rộng. OpenAI đã huấn luyện Sora trên một hỗn hợp các tập dữ liệu công khai, tài nguyên độc quyền thu được thông qua các quan hệ đối tác và các tập dữ liệu tùy chỉnh được thiết kế nội bộ. Các cơ chế lọc đào tạo mạnh mẽ đảm bảo loại bỏ nội dung rõ ràng, bạo lực hoặc nhạy cảm trước khi dữ liệu đến được mô hình.</p> <p>Các phiên bản Sora trong tương lai sẽ tiếp tục trau dồi khả năng và biện pháp bảo vệ của nó, tập trung vào việc thể hiện, nguồn gốc và sự phù hợp về đạo đức. Những nỗ lực để giảm thiểu sự thiên vị trong đầu ra và nâng cao hiệu suất phân loại phản ánh tinh thần phát triển lặp đi lặp lại của mô hình.</p> <p><strong>4. Kết luận</strong></p> <p>Việc ra mắt o1 và Sora đánh dấu một bước tiến quan trọng trong lĩnh vực AI, đặc biệt là trong lĩnh vực lý luận và tạo video. Tuy nhiên, cũng cần lưu ý những thách thức về an toàn và đạo đức vẫn cần được giải quyết trong quá trình phát triển tiếp theo. Nhà phát triển quan tâm có thể tìm hiểu thêm thông tin chi tiết về o1 và Sora thông qua các tài liệu kỹ thuật của OpenAI.</p> <p><strong>5. Về tác giả</strong></p> <p>Andrew Hoblitzell là thành viên cấp cao của đội ngũ kỹ thuật tại Salesforce, nơi ông làm việc trong nhóm Einstein. Ông có bằng Tiến sĩ Khoa học Máy tính từ Đại học Purdue, West Lafayette và đam mê ứng dụng học máy cũng như việc học hỏi và giáo dục những người khác trong cộng đồng ML.</p>

OpenAI Ra Mắt Mô Hình Lý Luận o1 và Mô Hình Tạo Video Sora

Mục lục Giới thiệu Mô hình lý luận o1 Mô hình tạo video Sora Kết luận Về tác giả 1. Giới thiệu OpenAI vừa công bố phiên bản đầy đủ ...

Read more »

Tương lai của Trí tuệ Nhân tạo (AI) năm 2025: Quan điểm của Google

<p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu</li> <li>AI: Từ tiện ích đơn giản đến trải nghiệm cá nhân hóa nâng cao</li> <li>Khả năng "đại lý" - Biên giới tiếp theo của AI</li> <li>Hệ sinh thái AI: Quan trọng như hệ sinh thái smartphone</li> <li>Gemini: Trợ lý AI cá nhân toàn diện của Google</li> <li>AI đa phương thức: Hướng đi của tương lai</li> <li>Kết luận</li> </ol> <p><strong>1. Giới thiệu</strong></p> <p>Ngành công nghệ đang chạy đua để đưa trí tuệ nhân tạo (AI) thế hệ mới vào tay người tiêu dùng. Tuy nhiên, theo phó chủ tịch kiêm tổng giám đốc ứng dụng và Ngôn ngữ Gemini tại Google, Sissie Hsiao, đó chỉ là "một phần nhỏ tiềm năng" của AI. Bà Hsiao chia sẻ tầm nhìn của Google về tương lai AI trong năm 2025.</p> <p><img alt="User added image" src="https://i.kinja-img.com/image/upload/c_fit,q_60,w_1315/964fcbf9264565623550c24e0ac3210c.jpg"></p> <p>Sissie Hsiao, phó chủ tịch kiêm tổng giám đốc ứng dụng và Ngôn ngữ Gemini tại Google. Ảnh: Google</p> <p><strong>2. AI: Từ tiện ích đơn giản đến trải nghiệm cá nhân hóa nâng cao</strong></p> <p>Hiện nay, các "trợ lý AI" hoạt động song song với người dùng và cần được nhắc nhở liên tục. Tuy nhiên, trong tương lai gần, người tiêu dùng sẽ thấy chúng "tiến hóa vượt ra ngoài những tiện ích đơn giản và trở thành những trải nghiệm cá nhân hóa, nâng cao mà bạn tin tưởng mỗi ngày". Google Gemini đang được sử dụng cho các nhiệm vụ phức tạp hơn, chẳng hạn như luyện tập phỏng vấn xin việc với Gemini Live và gỡ lỗi mã với Gemini Advanced. Ứng dụng Gemini trên iPhone, ra mắt tháng 11, tích hợp tính năng Gemini Live, cho phép hội thoại tự nhiên, xử lý gián đoạn và thay đổi chủ đề. Hiện Gemini Live hỗ trợ 10 giọng nói và 12 ngôn ngữ, bao gồm tiếng Tây Ban Nha và tiếng Ả Rập, và Google dự kiến sẽ bổ sung thêm nhiều ngôn ngữ nữa.</p> <p><strong>3. Khả năng "đại lý" - Biên giới tiếp theo của AI</strong></p> <p>Theo bà Hsiao, "biên giới tiếp theo" của AI năm 2025 nằm ở "khả năng đại lý". Các "đại lý" AI là phần mềm có thể tự động hoàn thành các nhiệm vụ phức tạp. Gemini, cụ thể, "sẽ được cá nhân hóa sâu sắc, ghi nhớ những gì bạn đã nói trước đây và theo chỉ dẫn của bạn – có thể hoạt động thay mặt bạn trên Google, các dịch vụ của bên thứ ba và trên web". Tính năng Deep Research mới trong Gemini Advanced, sử dụng AI để khám phá các chủ đề phức tạp và biến kết quả thành các báo cáo dễ đọc, được bà Hsiao gọi là "tính năng đầu tiên" trong Gemini "thể hiện tầm nhìn của chúng tôi về việc xây dựng khả năng đại lý mạnh hơn vào các sản phẩm".</p> <p><strong>4. Hệ sinh thái AI: Quan trọng như hệ sinh thái smartphone</strong></p> <p>Thị trường AI trong năm tới sẽ "tập trung vào việc tiếp tục xây dựng hệ sinh thái hoàn chỉnh", bà Hsiao nói, và cho rằng nó tương tự như thị trường smartphone. "Nó không chỉ là về phần cứng nữa, mà còn là toàn bộ hệ sinh thái các ứng dụng, dịch vụ và tích hợp xung quanh nó", bà nói. "Tương tự với AI, việc chúng ta thực hiện tốt như thế nào trong việc xây dựng hệ sinh thái toàn diện và thân thiện với người dùng nhất là điều bắt buộc".</p> <p><strong>5. Gemini: Trợ lý AI cá nhân toàn diện của Google</strong></p> <p>Google đang tập trung vào việc biến Gemini thành "trợ lý AI cá nhân hữu ích nhất" năm 2025. Khóa để làm được điều đó là tích hợp AI vào cuộc sống hàng ngày của người dùng và làm cho việc tích hợp hàng ngày trở nên liền mạch. Gemini Live, ra mắt đầu năm nay, cho phép người dùng trò chuyện tự do với chatbot. "Khả năng nói chuyện với Gemini khi động não những ý tưởng mới hoặc diễn tập cho một cuộc trò chuyện quan trọng đã là một bước ngoặt", bà Hsiao nói. "Trong tương lai, sẽ có nhiều hơn nữa sự tập trung vào các tính năng giúp tương tác với AI dễ dàng, dễ tiếp cận và thiết thực hơn".</p> <p><strong>6. AI đa phương thức: Hướng đi của tương lai</strong></p> <p>Năm 2025 sẽ chứng kiến các công ty công nghệ tập trung vào AI tiếp tục phát triển AI đa phương thức – hoặc các mô hình có thể xử lý nhiều loại dữ liệu khác nhau ngoài văn bản, chẳng hạn như giọng nói, hình ảnh và video. Tại hội nghị dành cho nhà phát triển I/O thường niên của Google hồi tháng 6, công ty đã tiết lộ Project Astra, một cái nhìn thoáng qua về tương lai của các trợ lý AI đa phương thức.</p> <p><strong>7. Kết luận</strong></p> <p>"Kể từ năm 2016, chúng tôi đã nói rằng Google là một công ty ưu tiên AI, và điều đó sẽ không thay đổi", bà Hsiao nói. "AI là điều cần thiết, và khi chúng ta thấy nó được tích hợp vào mọi khía cạnh hoạt động của công ty, từ phát triển sản phẩm, dịch vụ khách hàng đến tiếp thị và bán hàng – việc nắm bắt công nghệ này là điều cần thiết để duy trì khả năng cạnh tranh".</p>

Tương lai của Trí tuệ Nhân tạo (AI) năm 2025: Quan điểm của Google

Mục lục: Giới thiệu AI: Từ tiện ích đơn giản đến trải nghiệm cá nhân hóa nâng cao Khả năng "đại lý" - Biên giới tiếp theo của ...

Read more »

Google Gemini 2.0: Trợ lý AI toàn diện hơn, mạnh mẽ hơn

<p><strong>Mục lục</strong></p> <ol> <li>Giới thiệu Google Gemini 2.0</li> <li>Gemini 2.0 Flash: Hiệu năng vượt trội, sẵn sàng cho nhà phát triển và người dùng</li> <li>Nguyên mẫu nghiên cứu: Khả năng AI chủ động</li> <li>Gemini 2.0 tích hợp vào các sản phẩm của Google</li> <li>Kết luận</li> </ol> <hr /> <ol> <li><strong>Giới thiệu Google Gemini 2.0</strong></li></ol> <p>Google vừa công bố Gemini 2.0, mô hình ngôn ngữ lớn (LLM) mới nhất trong dòng sản phẩm nhằm mục tiêu tổ chức thông tin toàn cầu. Giám đốc điều hành Google và công ty mẹ Alphabet, Sundar Pichai, cho biết Gemini 2.0 "sẽ cho phép chúng ta xây dựng các tác nhân AI mới, đưa chúng ta đến gần hơn với tầm nhìn về một trợ lý toàn diện". Ông cũng nhấn mạnh mô hình này tích hợp "những tiến bộ mới trong đa phương thức - như đầu ra hình ảnh và âm thanh tự nhiên - và khả năng sử dụng công cụ gốc".</p> <ol start="2"> <li><strong>Gemini 2.0 Flash: Hiệu năng vượt trội, sẵn sàng cho nhà phát triển và người dùng</strong></li></ol> <p>Cùng với Gemini 2.0, Google cũng phát hành Gemini 2.0 Flash, phiên bản thử nghiệm với "thời gian phản hồi thấp và hiệu năng được nâng cao ở mức công nghệ hàng đầu, quy mô lớn". Theo Demis Hassabis, Giám đốc điều hành của bộ phận nghiên cứu AI DeepMind của Google và Koray Kavukcuoglu, Giám đốc công nghệ của Google DeepMind, Gemini 2.0 Flash được xây dựng dựa trên thành công của Gemini 1.5 Flash, mô hình phổ biến nhất dành cho các nhà phát triển, với hiệu năng được cải thiện đáng kể và tốc độ phản hồi nhanh tương tự. Đáng chú ý, Gemini 2.0 Flash thậm chí còn vượt trội hơn Gemini 1.5 Pro về các tiêu chuẩn chính với tốc độ gấp đôi.</p> <p>Mô hình này hiện đã có sẵn cho các nhà phát triển thông qua API AI của Google và người dùng chatbot AI Gemini. Người dùng Gemini trên toàn cầu cũng có thể truy cập phiên bản được tối ưu hóa cho trò chuyện bằng cách chọn nó trong menu thả xuống mô hình trên phiên bản web dành cho máy tính để bàn và thiết bị di động. Phiên bản này sẽ sớm có mặt trên ứng dụng di động Gemini.</p> <p>Gemini 2.0 Flash hỗ trợ đầu vào đa phương thức như hình ảnh, video và âm thanh, và giờ đây còn hỗ trợ đầu ra đa phương thức, bao gồm hình ảnh được tạo tự động kết hợp với văn bản và âm thanh đa ngôn ngữ (TTS) có thể điều chỉnh. Mô hình cũng có thể tự động gọi các công cụ như Tìm kiếm Google, thực thi mã và các hàm do người dùng tự định nghĩa của bên thứ ba. Để hỗ trợ các nhà phát triển xây dựng ứng dụng với mô hình mới, Google cũng phát hành Multimodal Live API hỗ trợ đầu vào luồng âm thanh và video thời gian thực, cũng như khả năng sử dụng nhiều công cụ kết hợp.</p> <ol start="3"> <li><strong>Nguyên mẫu nghiên cứu: Khả năng AI chủ động</strong></li> </ol> <p>Google cũng giới thiệu một số nguyên mẫu nghiên cứu được xây dựng với Gemini 2.0 nhằm thể hiện khả năng "chủ động" của mô hình, thực hiện các hành động và hoàn thành nhiệm vụ thay mặt người dùng.</p> <p>Project Astra, lần đầu tiên được giới thiệu tại hội nghị dành cho nhà phát triển I/O của Google, là nguyên mẫu trợ lý AI toàn diện mà Google đã thử nghiệm với một nhóm nhỏ người dùng. Phiên bản mới nhất được xây dựng với Gemini 2.0 có "đối thoại tốt hơn" với khả năng trò chuyện đa ngôn ngữ, khả năng sử dụng công cụ mới, bộ nhớ được cải thiện và độ trễ thấp hơn. Google đang nỗ lực đưa các khả năng này vào các sản phẩm của Google như ứng dụng Gemini, trợ lý AI của Google, và các yếu tố hình thức khác như kính thông minh. Chương trình thử nghiệm đang được mở rộng cho nhiều người dùng hơn, bao gồm cả một nhóm nhỏ sẽ sớm bắt đầu thử nghiệm Project Astra trên kính thông minh nguyên mẫu.</p> <p>Project Mariner là một nguyên mẫu nghiên cứu ban đầu được xây dựng với Gemini 2.0, khám phá tương lai của tương tác giữa người và tác nhân, bắt đầu từ trình duyệt của bạn. Project Mariner đạt được kết quả hàng đầu trong tiêu chuẩn đánh giá WebVoyager, thử nghiệm hiệu suất của tác nhân trên các nhiệm vụ web thực tế.</p> <ol start="4"> <li><strong>Gemini 2.0 tích hợp vào các sản phẩm của Google</strong></li> </ol> <p><img alt="Youtube Video Placeholder" src="https://i.ytimg.com/vi/Fs0t6SdODd8/hqdefault.jpg" /></p> <p>Gemini 2.0 hiện đang được thử nghiệm hạn chế trong tính năng Tổng quan AI của Google trên Tìm kiếm, với các khả năng lập luận nâng cao của mô hình được sử dụng để "xử lý các chủ đề phức tạp hơn và các câu hỏi nhiều bước, bao gồm các phương trình toán học nâng cao, truy vấn đa phương thức và mã hóa". Google sẽ mở rộng Gemini 2.0 sang nhiều sản phẩm khác vào đầu năm sau. Tính năng Tổng quan AI hiện đã tiếp cận 1 tỷ người dùng, cho phép họ đặt ra các loại câu hỏi hoàn toàn mới, nhanh chóng trở thành một trong những tính năng Tìm kiếm phổ biến nhất từ trước đến nay.</p> <ol start="5"> <li><strong>Kết luận</strong></li> </ol> <p>Google Gemini 2.0 và phiên bản Gemini 2.0 Flash hứa hẹn mang đến những bước tiến đáng kể trong công nghệ AI, mở ra hướng phát triển các trợ lý AI toàn diện và hiệu quả hơn cho cả nhà phát triển và người dùng. Việc tích hợp Gemini 2.0 vào các sản phẩm của Google sẽ mang lại trải nghiệm người dùng tốt hơn và mở ra nhiều tiềm năng ứng dụng trong tương lai.</p>

Google Gemini 2.0: Trợ lý AI toàn diện hơn, mạnh mẽ hơn

Mục lục Giới thiệu Google Gemini 2.0 Gemini 2.0 Flash: Hiệu năng vượt trội, sẵn sàng cho nhà phát triển và người dùng Nguyên mẫu nghiên ...

Read more »

Trí tuệ nhân tạo Gemini 2.0 của Google: Khả năng hoàn thành nhiệm vụ độc lập

<p><strong>Mục lục:</strong></p> <ol> <li>Giới thiệu về Gemini 2.0</li> <li>Khả năng hoàn thành nhiệm vụ độc lập của Gemini 2.0</li> <li>Các dự án liên quan: Project Mariner và Project Astra</li> <li>Kết luận và triển vọng</li> </ol> <hr> <p><strong>1. Giới thiệu về Gemini 2.0</strong></p> <p>Google vừa ra mắt thế hệ mới nhất của trí tuệ nhân tạo Gemini, phiên bản 2.0, đánh dấu một bước tiến đáng kể so với phiên bản 1.0. Sự ra mắt này diễn ra đúng vào ngày kỷ niệm lần đầu tiên Gemini được giới thiệu. Trong khi Gemini 1.0 tập trung vào việc tổ chức và hiểu thông tin, thì Gemini 2.0 hướng đến mục tiêu nâng cao tính hữu dụng, trở thành một trợ lý thông minh hơn, mạnh mẽ hơn. CEO của Google, Sundar Pichai, đã nhấn mạnh sự khác biệt này: "Gemini 2.0 là về việc làm cho nó hữu ích hơn nhiều."</p> <p><strong>2. Khả năng hoàn thành nhiệm vụ độc lập của Gemini 2.0</strong></p> <p>Điểm nổi bật của Gemini 2.0 là khả năng hoàn thành các nhiệm vụ độc lập. Ví dụ, nó có thể tự động tìm kiếm và thêm các linh kiện cần thiết vào giỏ hàng trực tuyến cho các dự án thủ công. Tuy nhiên, Google khẳng định rằng quyết định mua hàng cuối cùng vẫn thuộc về người dùng, đảm bảo quyền kiểm soát toàn diện các giao dịch.</p> <p><img alt="Hình ảnh minh họa Gemini 2.0" src="https://apicms.thestar.com.my/uploads/images/2024/12/12/3065642.jpg"></p> <p><em>Mô tả hình ảnh:</em> Trí tuệ nhân tạo hỗ trợ mới là một phần của Project Mariner, một hệ thống tích hợp các khả năng tiên tiến, bao gồm việc sử dụng công cụ và truy cập trực tiếp vào các sản phẩm của Google như tìm kiếm. — AFP</p> <p><strong>3. Các dự án liên quan: Project Mariner và Project Astra</strong></p> <p>Gemini 2.0 là nền tảng cho hai dự án quan trọng khác của Google:</p> <ul> <li><p><strong>Project Mariner:</strong> Đây là một hệ thống tích hợp các khả năng tiên tiến, bao gồm việc sử dụng công cụ và truy cập trực tiếp vào các sản phẩm của Google như tìm kiếm. Theo quản lý của Google, Tulsee Doshi, các tác nhân AI trong Project Mariner có khả năng "suy nghĩ, ghi nhớ, lập kế hoạch và thậm chí hành động thay mặt người dùng". Hệ thống hoạt động giống như người dùng thực trên trình duyệt, nhưng cũng có khả năng nhận diện và từ chối một số nhiệm vụ mà tác nhân không nên thực hiện. Hiện tại, hệ thống đang được thử nghiệm với một số người dùng chọn lọc trước khi ra mắt rộng rãi.</p> </li> <li><p><strong>Project Astra:</strong> Dự án này, được giới thiệu lần đầu tại hội nghị dành cho nhà phát triển Google I/O mùa xuân năm ngoái, tận dụng Gemini 2.0 để tăng cường tương tác với môi trường xung quanh thông qua kính thông minh. Tương tự như sự hợp tác giữa Meta và Ray-Ban, những chiếc kính này hướng đến việc cung cấp hỗ trợ theo ngữ cảnh, chẳng hạn như nhận dạng địa danh hoặc hỗ trợ nấu ăn.</p> </li> </ul> <p><strong>4. Kết luận và triển vọng</strong></p> <p>Gemini 2.0 và các dự án liên quan thể hiện tham vọng của Google trong việc phát triển trí tuệ nhân tạo trở thành trợ lý mạnh mẽ, hỗ trợ con người trong nhiều khía cạnh cuộc sống. Phiên bản Gemini Flash 2.0, được thiết kế đặc biệt cho các nhà phát triển phần mềm, cho thấy tiềm năng ứng dụng rộng rãi của công nghệ này. Với khả năng hoạt động trên các máy tính trung tâm dữ liệu lớn cũng như trên máy tính cá nhân và một số mẫu điện thoại thông minh, Gemini 2.0 hứa hẹn mang lại những đột phá trong tương lai.</p> <hr>

Trí tuệ nhân tạo Gemini 2.0 của Google: Khả năng hoàn thành nhiệm vụ độc lập

Mục lục: Giới thiệu về Gemini 2.0 Khả năng hoàn thành nhiệm vụ độc lập của Gemini 2.0 Các dự án liên quan: Project Mariner và Project As...

Read more »