Câu trả lời ngắn: LLM (Large Language Model) là mô hình ngôn ngữ lớn, một mạng nơ-ron có hàng chục đến hàng trăm tỷ tham số, được huấn luyện trên lượng văn bản khổng lồ để làm đúng một việc: dự đoán chữ tiếp theo. Từ nhiệm vụ đơn giản ấy, ở quy mô cực lớn, mô hình học được ngữ pháp, kiến thức và cả cách suy luận.

Nghe thì phức tạp, nhưng ý tưởng cốt lõi lại đơn giản đến bất ngờ. Bạn không cần biết toán cao cấp để hiểu. Chỉ cần đi lần lượt từng mảnh ghép, từ chiếc bàn phím điện thoại quen thuộc cho đến những trợ lý AI như ChatGPT, Gemini hay Claude.

Nếu thích xem hơn đọc, bạn có thể xem video giải thích LLM là gì trên kênh Nhật Phúc ngay bên dưới. Bài viết này mở rộng từng ý trong video, kèm hình minh họa, bảng so sánh và câu hỏi thường gặp.

▶Xem video

Tóm tắt nhanh

• LLM là mô hình ngôn ngữ lớn, làm đúng một việc: đoán chữ tiếp theo, giống gợi ý bàn phím nhưng ở quy mô lớn hơn rất nhiều.
• “Lớn” nghĩa là đọc hàng nghìn tỷ từ và có hàng chục đến hàng trăm tỷ tham số.
• Máy cắt văn bản thành token, đổi thành số; ý nghĩa nằm ở quan hệ giữa các con số.
• Kiến trúc Transformer với cơ chế attention giúp mô hình hiểu từ nào liên quan đến từ nào.
• Huấn luyện gồm tiền huấn luyện (học nối chữ) và tinh chỉnh (học cách trò chuyện).
• LLM có thể “ảo giác”, có giới hạn kiến thức và thiên kiến, nên luôn kiểm chứng thông tin quan trọng.

Nội dung chính:

1. LLM là gì? Hiểu qua gợi ý bàn phím điện thoại
2. Mô hình ngôn ngữ lớn “lớn” cỡ nào?
3. LLM đọc chữ bằng cách nào? Token và con số
4. Transformer và attention: bộ não của LLM
5. LLM được huấn luyện như thế nào?
6. Khi bạn gõ câu hỏi, LLM trả lời ra sao?
7. Giới hạn của LLM: ảo giác, kiến thức, thiên kiến
8. LLM làm được gì trong đời sống và công việc?
9. Những hiểu lầm phổ biến về LLM
10. Cách dùng LLM hiệu quả và an toàn
11. Câu hỏi thường gặp về LLM
12. Kết luận

LLM là gì? Hiểu qua gợi ý bàn phím điện thoại

LLM là viết tắt của Large Language Model, tức mô hình ngôn ngữ lớn. “Mô hình” ở đây không phải mô hình đồ chơi, mà là một chương trình toán học học từ dữ liệu. “Ngôn ngữ” là thứ nó học. Còn “lớn” là quy mô, thứ mà ta sẽ bàn kỹ ở phần sau.

Cách dễ nhất để hiểu LLM là nghĩ đến chức năng gợi ý từ trên bàn phím điện thoại. Bạn gõ “Chúc mừng”, bàn phím gợi ý “sinh nhật”. Bạn gõ “Hẹn gặp”, nó gợi ý “lại”. Bàn phím làm được vậy vì đã thấy rất nhiều câu có cụm từ đó, nên nó biết chữ nào thường đi kèm.

Một LLM cũng làm đúng việc đó: dự đoán chữ tiếp theo. Điểm khác là quy mô lớn hơn hàng triệu lần. Bàn phím chỉ nhìn vài chữ gần nhất và học từ những gì bạn hay gõ. LLM thì nhìn cả đoạn văn dài, thậm chí cả cuộc hội thoại, và học từ lượng văn bản mà một người không thể đọc hết dù sống nhiều kiếp.

Vậy vì sao chỉ đoán chữ mà lại viết được thơ, sửa được code? Hãy thử nghĩ: để đoán đúng chữ tiếp theo trong một bài toán vật lý, mô hình phải “nắm” được phần nào kiến thức vật lý. Để đoán đúng dòng code tiếp theo, nó phải nắm được quy tắc lập trình. Khi bị ép đoán giỏi trên hàng nghìn tỷ ví dụ thuộc đủ mọi lĩnh vực, mô hình buộc phải học được rất nhiều thứ nằm ẩn bên dưới con chữ.

Mô hình ngôn ngữ lớn “lớn” cỡ nào?

Chữ “lớn” trong mô hình ngôn ngữ lớn có hai nghĩa: lớn về dữ liệu và lớn về cấu trúc bên trong.

Lớn về dữ liệu: hàng nghìn tỷ từ

Một LLM được cho đọc lượng văn bản khổng lồ: sách, bài báo, trang web, mã nguồn, diễn đàn thảo luận. Con số lên đến hàng nghìn tỷ từ. Để dễ hình dung, một người ham đọc sách cả đời có lẽ chỉ đọc được vài nghìn cuốn. Lượng chữ mà LLM “đọc” nhiều hơn những gì một con người có thể đọc trong hàng nghìn kiếp sống.

Dữ liệu càng đa dạng, mô hình càng gặp nhiều cách diễn đạt, nhiều chủ đề, nhiều ngôn ngữ. Đó là lý do một LLM có thể chuyển từ viết email sang giải thích hóa học chỉ trong vài giây.

Lớn về cấu trúc: hàng trăm tỷ tham số

Bên trong LLM là một mạng nơ-ron (neural network), một cấu trúc toán học lấy cảm hứng rất lỏng lẻo từ cách các tế bào thần kinh kết nối. Mạng này có hàng chục, thậm chí hàng trăm tỷ tham số (parameters). Ví dụ quen thuộc: mô hình GPT-3 công bố năm 2020 có khoảng 175 tỷ tham số.

Tham số giống những núm vặn nhỏ xíu

Bạn có thể hình dung tham số như những núm vặn nhỏ xíu trên một bàn điều khiển âm thanh khổng lồ. Mỗi núm lưu một mẩu rất nhỏ về cách ngôn ngữ vận hành. Một núm riêng lẻ gần như chẳng nói lên điều gì. Chỉ khi hàng tỷ núm vặn ấy phối hợp với nhau, mô hình mới tạo ra được câu trả lời mạch lạc.

Điều thú vị là không ai tự tay vặn các núm này. Chúng được điều chỉnh tự động trong quá trình huấn luyện, từng chút một, qua hàng nghìn tỷ lần đoán chữ.

LLM đọc chữ bằng cách nào? Token và con số

Máy không đọc chữ như chúng ta. Nó không “thấy” chữ cái hay âm thanh. Mọi thứ phải được chuyển thành số trước khi mô hình xử lý được. Quá trình này đi qua vài chặng.

Bước 1: Cắt văn bản thành token

Đầu tiên, văn bản được cắt thành những mảnh nhỏ gọi là token. Một token có thể là một từ trọn vẹn, một phần của từ, hoặc một dấu câu. Ví dụ, câu “Chúc mừng sinh nhật!” có thể được cắt thành “Chúc”, “mừng”, “sinh”, “nhật” và “!”. Mỗi mô hình có cách cắt riêng, nên cùng một câu có thể ra số token khác nhau.

Với tiếng Anh, một token thường tương đương khoảng ba phần tư từ. Tiếng Việt có dấu, nên tùy mô hình, một câu tiếng Việt thường tốn nhiều token hơn câu tiếng Anh cùng độ dài. Đây cũng là lý do các dịch vụ AI tính phí và giới hạn độ dài theo token chứ không theo chữ.

Bước 2: Đổi mỗi token thành một dãy số

Sau đó, mỗi token được chuyển thành một dãy số, giới chuyên môn gọi là embedding hay vector. Với máy, ngôn ngữ chỉ là những con số, và ý nghĩa nằm ở mối quan hệ giữa các con số ấy.

Từ gần nghĩa thì nằm gần nhau

Hãy tưởng tượng mỗi từ là một chấm trên bản đồ. Những từ có nghĩa gần nhau sẽ nằm gần nhau trong không gian toán học đó. “Vua” nằm gần “hoàng hậu”. “Cà phê” nằm gần “trà”. “Con mèo” nằm gần “con chó”. Còn “vua” và “cà phê” thì ở rất xa nhau.

Bản đồ thật của LLM không phải hai chiều như tờ giấy, mà có hàng trăm đến hàng nghìn chiều. Nhờ vậy, nó lưu được rất nhiều sắc thái: số ít hay số nhiều, trang trọng hay suồng sã, tích cực hay tiêu cực. Đó là cách máy bắt đầu “hiểu” về thế giới, không phải qua định nghĩa trong từ điển, mà qua vị trí tương đối giữa các khái niệm.

Transformer và attention: bộ não của LLM

Có token và con số rồi, mô hình cần một “bộ não” để xử lý chúng. Bộ não thực sự của LLM là kiến trúc Transformer, được nhóm nghiên cứu của Google giới thiệu năm 2017 trong bài báo nổi tiếng mang tên Attention Is All You Need. Chữ “T” trong GPT chính là Transformer.

Attention là gì?

Trái tim của Transformer là cơ chế attention, hay sự chú ý. Hãy xem câu: “Con mèo ngồi trên ghế vì nó mệt.” Đọc đến chữ “nó”, bạn biết ngay “nó” là con mèo chứ không phải cái ghế, vì ghế thì không biết mệt.

Mô hình cũng phải làm được điều đó. Attention cho phép mô hình nhìn toàn bộ câu cùng lúc và tự quyết định từ nào quan trọng với từ nào. Khi xử lý “nó”, mô hình dồn sự chú ý mạnh vào “con mèo”, chú ý rất ít vào “ghế”.

Vì sao Transformer tạo ra bước nhảy vọt?

Trước Transformer, nhiều mô hình ngôn ngữ đọc chữ lần lượt từ trái sang phải, giống người đọc từng chữ một và dễ quên phần đầu khi câu quá dài. Transformer nhìn mọi token trong đoạn cùng lúc. Nhờ vậy, nó vừa nắm được liên hệ xa trong văn bản, vừa tận dụng tốt khả năng tính toán song song của chip đồ họa (GPU). Hai điều này mở đường cho việc huấn luyện những mô hình cực lớn.

Một LLM thực tế xếp chồng nhiều lớp Transformer lên nhau. Lớp đầu nắm các quan hệ đơn giản như ngữ pháp, lớp sau tổng hợp thành ý nghĩa phức tạp hơn. Bạn có thể ví như một dây chuyền: mỗi trạm tinh chỉnh thêm một chút hiểu biết về câu văn.

Lượng văn bản mà mô hình nhìn được cùng lúc gọi là cửa sổ ngữ cảnh (context window), tính bằng token. Cửa sổ càng lớn, mô hình càng “nhớ” được nhiều nội dung trong cuộc trò chuyện hoặc tài liệu bạn đưa vào.

LLM được huấn luyện như thế nào?

Có bộ não rồi, giờ phải dạy nó. Quá trình huấn luyện LLM gồm hai giai đoạn chính.

Giai đoạn 1: Tiền huấn luyện (pre-training)

Mô hình được cho xem một đoạn văn bản bị che mất chữ cuối, rồi phải đoán chữ đó. Ví dụ: “Thủ đô của Việt Nam là ___”. Đoán sai thì các núm vặn được điều chỉnh một chút theo hướng giúp lần sau đoán đúng hơn. Việc này lặp lại hàng nghìn tỷ lần, chạy trên hàng nghìn chip đồ họa trong nhiều tháng, tốn hàng chục triệu đô la.

Điều hay là không cần người ngồi dán nhãn từng câu. Bản thân văn bản đã chứa đáp án: chữ bị che chính là chữ đúng. Nhờ vậy, mô hình học được từ khối dữ liệu khổng lồ.

Sau giai đoạn này, mô hình đã nắm ngữ pháp, kiến thức, thậm chí cả cách suy luận. Nhưng nó vẫn chỉ biết nối chữ, chưa biết trò chuyện. Hỏi nó “Làm sao nấu phở?”, nó có thể viết tiếp thành “Làm sao nấu bún bò? Làm sao nấu hủ tiếu?” như một danh sách câu hỏi trên diễn đàn, thay vì trả lời bạn.

Giai đoạn 2: Tinh chỉnh (fine-tuning)

Ở giai đoạn này, con người dạy mô hình cách trả lời hữu ích, lịch sự và an toàn. Thường có hai bước nhỏ. Đầu tiên, mô hình học từ nhiều đoạn hội thoại mẫu do người viết, để biết thế nào là một câu trả lời đúng kiểu trợ lý.

Tiếp theo, mô hình đưa ra nhiều câu trả lời khác nhau cho cùng một câu hỏi, rồi con người chấm xem câu nào tốt hơn. Mô hình học theo những lựa chọn đó. Kỹ thuật này thường được gọi là học tăng cường từ phản hồi của con người (RLHF). Nhờ vậy, từ một cỗ máy nối chữ, nó trở thành một trợ lý biết lắng nghe.

Bảng dưới đây so sánh hai giai đoạn để bạn dễ hình dung:

Khi bạn gõ câu hỏi, LLM trả lời ra sao?

Bây giờ đến phần bạn trực tiếp nhìn thấy mỗi ngày. Khi bạn gõ một câu hỏi, mô hình làm bốn việc lặp đi lặp lại:

1. Đọc câu hỏi, cùng với phần hội thoại phía trước nếu có.
2. Tính xác suất cho từng chữ (token) có thể xuất hiện tiếp theo.
3. Chọn một chữ.
4. Gắn chữ đó vào cuối, rồi lặp lại từ đầu để đoán chữ kế tiếp.

Từng chữ một, câu trả lời hiện ra trước mắt bạn. Đó là lý do bạn thấy chữ chạy dần trên màn hình, chứ không phải mô hình viết xong rồi mới hiện ra cả đoạn.

Vì sao hỏi cùng một câu lại có câu trả lời khác nhau?

Ở bước chọn chữ, mô hình không nhất thiết lấy chữ có xác suất cao nhất. Với “Chúc mừng ___”, “sinh nhật” có thể có khả năng cao nhất, nhưng “năm mới” hay “thành công” vẫn có cơ hội. Mức độ “chịu chọn chữ ít phổ biến hơn” được điều chỉnh bằng một thông số thường gọi là nhiệt độ (temperature).

Nhiệt độ thấp cho câu trả lời ổn định, ít bất ngờ, hợp với tra cứu hay viết code. Nhiệt độ cao cho câu trả lời đa dạng, sáng tạo hơn, hợp với làm thơ hay lên ý tưởng. Đó là lý do bạn hỏi lại cùng một câu mà nhận được cách diễn đạt khác.

Giới hạn của LLM: ảo giác, kiến thức, thiên kiến

Hiểu cách LLM hoạt động cũng giúp bạn hiểu vì sao nó có lúc sai. Có ba giới hạn quan trọng bạn nên biết.

Ảo giác (hallucination)

Có một điều bạn cần nhớ: LLM không tra cứu sự thật. Nó dự đoán điều nghe hợp lý nhất. Vì vậy, đôi khi nó bịa ra thông tin nghe rất thuyết phục nhưng hoàn toàn sai: một cuốn sách không tồn tại, một con số thống kê không có nguồn, một điều luật không có thật. Giới chuyên môn gọi hiện tượng này là ảo giác, hay hallucination.

Ảo giác nguy hiểm ở chỗ giọng văn vẫn tự tin, mạch lạc như khi nó nói đúng. Bạn không thể dựa vào độ “chắc nịch” của câu trả lời để đánh giá độ chính xác. Đây là lý do bạn luôn nên kiểm chứng những thông tin quan trọng.

Kiến thức có hạn

Mô hình chỉ biết những gì nằm trong dữ liệu huấn luyện, vốn dừng lại ở một thời điểm nhất định. Nó không tự biết tin tức mới, trừ khi được kết nối với công cụ tìm kiếm hoặc được bạn cung cấp tài liệu. Nhiều trợ lý AI hiện nay đã có tính năng tìm kiếm web, nhưng bạn vẫn nên để ý xem câu trả lời có dẫn nguồn hay không.

Thiên kiến

Dữ liệu huấn luyện do con người viết ra, nên mô hình có thể mang theo những thiên kiến có sẵn trong đó: định kiến về giới, vùng miền, nghề nghiệp. Các nhà phát triển cố gắng giảm bớt ở giai đoạn tinh chỉnh, nhưng không thể loại bỏ hoàn toàn.

Bảng sau giúp bạn phân biệt LLM với công cụ tìm kiếm quen thuộc, để biết nên dùng cái nào cho việc gì:

LLM làm được gì trong đời sống và công việc?

Dù có giới hạn, sức mạnh của LLM là có thật. Cùng một mô hình có thể tóm tắt tài liệu, dịch thuật, viết mã, soạn email, giải thích bài toán khó. Chưa từng có một công cụ nào linh hoạt đến vậy.

• Học tập: giải thích lại khái niệm khó bằng ví dụ đời thường, tạo câu hỏi ôn tập, kiểm tra cách bạn hiểu bài.
• Công việc văn phòng: tóm tắt biên bản họp, soạn nháp email, viết lại đoạn văn cho rõ ràng hơn.
• Lập trình: gợi ý code, giải thích đoạn code lạ, tìm nguyên nhân lỗi.
• Sáng tạo nội dung: lên dàn ý, gợi ý tiêu đề, viết kịch bản nháp.
• Ngôn ngữ: dịch, sửa ngữ pháp, chuyển giọng văn trang trọng sang thân mật và ngược lại.

Điểm chung của các việc trên là đều xoay quanh ngôn ngữ. LLM mạnh nhất khi bạn cần hiểu, diễn đạt hay biến đổi văn bản. Với việc cần độ chính xác tuyệt đối như tính toán tài chính, chẩn đoán bệnh hay tư vấn pháp lý, hãy coi nó là trợ lý gợi ý, còn quyết định cuối cùng vẫn thuộc về con người và chuyên gia.

Những hiểu lầm phổ biến về LLM

Vì AI nói chuyện trôi chảy như người, chúng ta rất dễ hiểu sai về nó. Dưới đây là những hiểu lầm hay gặp nhất.

Hiểu lầm 1: LLM tra cứu sự thật trong một kho dữ liệu

Thực tế, mô hình không mở một cuốn bách khoa toàn thư nào khi trả lời. Kiến thức được “nén” vào hàng tỷ tham số, và câu trả lời là kết quả của việc đoán chữ nghe hợp lý nhất.

Hiểu lầm 2: LLM suy nghĩ giống bộ não con người

Mạng nơ-ron chỉ lấy cảm hứng rất lỏng lẻo từ não bộ. LLM là một mô hình toán học khổng lồ với hàng tỷ con số. Nó không phải phép màu, cũng không phải bộ não con người.

Hiểu lầm 3: Trả lời tự tin nghĩa là trả lời đúng

Giọng điệu tự tin là kết quả của việc học cách viết trôi chảy, không phải bằng chứng của sự chính xác. Câu trả lời sai vẫn có thể rất chắc nịch.

Hiểu lầm 4: LLM luôn biết tin tức mới nhất

Mô hình chỉ biết tới thời điểm dữ liệu huấn luyện dừng lại. Muốn có thông tin mới, nó cần được nối với công cụ tìm kiếm hoặc được bạn đưa tài liệu.

Cách dùng LLM hiệu quả và an toàn

LLM là một công cụ. Và như mọi công cụ, giá trị của nó phụ thuộc vào cách bạn hỏi và cách bạn dùng. Năm thói quen sau giúp bạn nhận được câu trả lời tốt hơn rõ rệt.

1. Nêu rõ bối cảnh và mục tiêu

Thay vì hỏi “Viết email xin nghỉ”, hãy nói “Tôi là nhân viên văn phòng, cần email gửi trưởng phòng xin nghỉ thứ Sáu vì việc gia đình, giọng lịch sự, ngắn gọn”. Càng nhiều bối cảnh, mô hình càng ít phải đoán.

2. Yêu cầu định dạng cụ thể

Nói rõ bạn muốn kết quả ở dạng nào: 5 gạch đầu dòng, bảng 3 cột, dưới 200 chữ. Mô hình làm theo khuôn rất tốt khi được chỉ rõ.

3. Đưa tài liệu gốc khi cần độ chính xác

Nếu cần tóm tắt hợp đồng hay trả lời dựa trên quy định công ty, hãy dán chính văn bản đó vào. Khi có tài liệu để dựa vào, mô hình bớt phải “đoán” và ít bịa hơn.

4. Kiểm chứng thông tin quan trọng

Số liệu, tên người, ngày tháng, trích dẫn, lời khuyên sức khỏe hay pháp lý: luôn đối chiếu với nguồn đáng tin. Bạn cũng có thể hỏi lại mô hình “Nguồn của thông tin này là gì?” để tự kiểm tra.

5. Không dán dữ liệu nhạy cảm

Tránh đưa mật khẩu, số thẻ ngân hàng, thông tin khách hàng hay tài liệu mật vào trợ lý AI công cộng. Hãy kiểm tra chính sách của công ty bạn về việc dùng AI trước khi đưa tài liệu nội bộ vào.

Câu hỏi thường gặp về LLM

LLM và AI khác nhau thế nào?

AI (trí tuệ nhân tạo) là lĩnh vực rộng, gồm mọi hệ thống máy tính làm được việc cần trí thông minh: nhận diện ảnh, chơi cờ, lái xe tự động. LLM là một loại AI chuyên về ngôn ngữ. Có thể nói mọi LLM đều là AI, nhưng không phải AI nào cũng là LLM.

ChatGPT có phải là LLM không?

ChatGPT là một sản phẩm trợ lý trò chuyện được xây dựng trên các mô hình ngôn ngữ lớn dòng GPT. Nói chính xác, LLM là “động cơ” bên trong, còn ChatGPT là chiếc xe hoàn chỉnh có giao diện, tính năng và lớp an toàn. Gemini, Claude cũng tương tự: đều là trợ lý chạy trên LLM.

Token là gì và vì sao quan trọng?

Token là mảnh văn bản nhỏ mà mô hình xử lý: một từ, một phần của từ hoặc một dấu câu. Token quan trọng vì nó quyết định độ dài tối đa mô hình đọc được một lần (cửa sổ ngữ cảnh) và thường là đơn vị tính phí khi dùng AI qua API.

Vì sao AI đôi khi trả lời sai một cách tự tin?

Vì LLM được huấn luyện để tạo ra câu nghe hợp lý nhất, không phải để tra cứu sự thật. Khi thiếu thông tin, nó vẫn có thể ghép chữ thành câu trả lời trôi chảy nhưng sai. Hiện tượng này gọi là ảo giác (hallucination), nên hãy kiểm chứng thông tin quan trọng.

LLM có hiểu thật sự những gì nó nói không?

Đây vẫn là câu hỏi các nhà nghiên cứu còn tranh luận. Điều chắc chắn là LLM nắm được rất nhiều quy luật của ngôn ngữ và kiến thức qua quan hệ giữa các con số, nhưng nó không có trải nghiệm hay ý định như con người. Cách an toàn nhất là coi nó là một công cụ mạnh, không phải một người biết tuốt.

Huấn luyện một LLM tốn bao nhiêu?

Với các mô hình lớn nhất, giai đoạn tiền huấn luyện cần hàng nghìn chip đồ họa chạy trong nhiều tháng, chi phí có thể lên tới hàng chục triệu đô la. Các mô hình nhỏ hơn hoặc việc tinh chỉnh một mô hình có sẵn thì rẻ hơn rất nhiều.

Kết luận: LLM là gì, gói gọn trong một câu

Tóm lại, LLM là một mô hình toán học khổng lồ, được huấn luyện trên lượng văn bản khổng lồ, để làm một việc duy nhất: đoán chữ tiếp theo. Từ nhiệm vụ giản dị ấy, những khả năng đáng kinh ngạc đã xuất hiện: viết, dịch, lập trình, giải thích.

Nó không phải phép màu, cũng không phải bộ não con người. Nó là một công cụ, và giá trị của nó phụ thuộc vào cách bạn hỏi và cách bạn dùng. Hiểu cách LLM hoạt động, bạn sẽ biết lúc nào nên tin nó, lúc nào nên kiểm chứng.

Vậy lần tới khi trò chuyện với AI, hãy nhớ: phía sau mỗi câu trả lời là hàng tỷ con số, cùng nhau đoán xem chữ nào nên đến tiếp theo.

Bạn hay dùng trợ lý AI vào việc gì nhất? Hãy để lại bình luận chia sẻ, và theo dõi kênh Nhật Phúc để xem thêm những video giải thích công nghệ dễ hiểu.

The post LLM là gì? Mô hình ngôn ngữ lớn hoạt động như thế nào? appeared first on Nhật Phúc.

Trong phiên hỏi đáp này, Altman cùng với đội ngũ lãnh đạo bao gồm CRO Mark Chen, CPO Kevin Weil và các thành viên khác đã trả lời nhiều câu hỏi từ cộng đồng về lộ trình và các sản phẩm sắp ra mắt của OpenAI. Altman khẳng định rằng mặc dù việc phát triển AGI (trí tuệ nhân tạo tổng quát) là một mục tiêu khả thi với phần cứng hiện tại, nhưng điều quan trọng là phải nhanh chóng thay đổi cách tiếp cận của công ty.

Một vấn đề đáng chú ý được nêu ra là sự xuất hiện của DeepSeek, một công ty khởi nghiệp của Trung Quốc, đã đón nhận những phản hồi tích cực từ giới đầu tư nhờ khả năng sản xuất mô hình AI với chi phí rất thấp, thậm chí thấp hơn nhiều so với OpenAI. Altman không thể không thừa nhận sự cạnh tranh này và tuyên bố rằng OpenAI sẽ làm việc chăm chỉ để phát triển những mô hình tốt hơn. Tuy nhiên, anh cũng cho rằng công ty sẽ giữ lại ít lợi thế hơn so với trước kia.

Trong khi đó, một phương thức mới mà OpenAI đang hướng tới là dự án mang tên “Stargate”, được trích ra với mức đầu tư lên tới 500 tỷ USD để xây dựng cơ sở hạ tầng và trung tâm dữ liệu tại Mỹ. Altman cho biết việc có đủ khả năng tính toán là rất cần thiết để OpenAI có thể tung ra nhiều sản phẩm sâu sắc và hữu ích hơn cho cộng đồng. Dự án cũng nhận được sự chú ý đáng kể từ các nhà đầu tư, nhưng không ít người đã nghi ngờ về khả năng thành công của nó.

Về phần DeepSeek, một số thông tin gần đây cho rằng công ty này đã sử dụng tài liệu bản quyền của OpenAI và Microsoft để huấn luyện mô hình của mình. Các báo cáo cho thấy chi phí phát triển của DeepSeek vượt xa con số 6 triệu USD mà họ công bố, gây ra nhiều lo ngại xung quanh sự minh bạch trong các dự án của họ.

Về phía OpenAI, Altman cho biết sẽ không tăng giá cho dịch vụ ChatGPT Plus, mà thậm chí sẽ xem xét giảm giá trong tương lai.

Việc OpenAI hợp tác với chính phủ Mỹ để tăng cường an ninh và đảm bảo rằng công nghệ AI được phát triển một cách an toàn cũng là một chủ đề nóng. Altman nhấn mạnh tầm quan trọng của sự hợp tác này và tự tin vào khả năng của các nhà khoa học số một trong ngành công nghệ AI.

Cuối cùng, Altman chia sẻ rằng một trong những mục tiêu lớn nhất của OpenAI là thúc đẩy sự phát triển khoa học thông qua việc sử dụng AI, làm cho các quy trình nghiên cứu và phát triển hỗ trợ cho sự tốt đẹp của nhân loại.

The post Sam Altman thừa nhận OpenAI đã ở “bên sai của lịch sử” và cần có chiến lược mã nguồn mở khác appeared first on Nhật Phúc.

Được ra mắt vào năm 2019 và đặc biệt phát triển mạnh mẽ sau sự ra đời của ChatGPT vào cuối năm 2022, Presentations.ai đã xác định được một tiềm năng lớn trong việc hỗ trợ các tổ chức tại Ấn Độ và quốc tế trong việc tạo dựng các bài thuyết trình thu hút và hiệu quả. Theo ước tính, chỉ riêng trong vòng ba tháng đầu tiên sau khi ra mắt beta công khai, startup này đã thu hút được một triệu người dùng, và hiện tại, Sumanth Raghavendra – CEO kiêm đồng sáng lập của doanh nghiệp cho biết, công ty đang có lợi nhuận lên tới hàng triệu đô la.

Với ưu điểm nổi bật là tiết kiệm thời gian cho người dùng, Presentations.ai đã xây dựng một nền tảng mà ở đó, người dùng chỉ cần nhập ý tưởng hoặc thông tin cần thiết, mọi thứ còn lại sẽ được AI thực hiện. Người dùng không còn phải tiêu tốn nhiều giờ đồng hồ để tạo ra một bài thuyết trình hoàn chỉnh. “Chúng tôi muốn trở thành một phiên bản AI của ChatGPT nhưng dành riêng cho việc tạo bài thuyết trình,” Raghavendra cho biết trong một cuộc phỏng vấn độc quyền.

Đến nay, Presentations.ai đã thu hút được hơn 5 triệu người dùng với sản phẩm của mình. Nền tảng này không chỉ cung cấp các công cụ tạo ra các slide bài thuyết trình mà còn tích hợp các mẫu thiết kế phù hợp với phong cách thương hiệu của từng người dùng, cộng với các công cụ AI giúp tối ưu hóa hình ảnh và đồ họa.

Đặc biệt, Presentations.ai còn được thiết kế với các “guardrails” – tính năng bảo vệ thông tin cho các khách hàng doanh nghiệp. Những tính năng này được xây dựng từ hệ thống dữ liệu mà startup này đã phát triển trong suốt thời gian qua để giảm thiểu tình trạng phát sinh thông tin không chính xác do AI tạo ra. Đối với các công ty lớn, họ có thể quản lý quyền truy cập dữ liệu nhạy cảm để bảo vệ những thông tin quan trọng không bị tiết lộ ra ngoài.

Sau khi vượt qua giai đoạn beta hoàn toàn miễn phí, Presentations.ai đã chuyển sang mô hình freemium vào đầu năm 2024, với hàng chục ngàn khách hàng sẵn lòng bỏ tiền ra cho dịch vụ của mình. Dịch vụ này bắt đầu từ mức giá 200 USD mỗi người dùng mỗi năm tại Hoa Kỳ, với các mức giá khác nhau dựa trên từng thị trường cụ thể.

Về mặt công nghệ, startup này đang sử dụng các mô hình ngôn ngữ lớn (LLMs) và các mô hình ngôn ngữ nhỏ mà họ phát triển riêng cho các nhiệm vụ cụ thể như gợi ý biểu đồ, hỗ trợ người dùng tìm kiếm nội dung phù hợp nhất cho bài thuyết trình của họ. Ngoài ra, nền tảng này còn cho phép xuất các bài trình bày sang định dạng PowerPoint hoặc PDF để người dùng tiếp tục chỉnh sửa.

Công ty cũng dự kiến sử dụng nguồn vốn vừa huy động để phát triển một tác nhân trình bày chuyên dụng, cho phép người dùng tích hợp chức năng tạo bài thuyết trình trực tiếp vào các ứng dụng khác. Những kế hoạch này cho thấy tham vọng lớn của Presentations.ai trong việc không chỉ dẫn đầu trong lĩnh vực hỗ trợ tạo bài thuyết trình mà còn mở rộng ra nhiều thị trường quốc tế khác như Anh, Đức, Úc và nhiều quốc gia tại Trung Đông.

Bước tiến này không chỉ mang lại sự tiện ích cho người dùng mà còn mở ra một xu hướng mới trong việc ứng dụng công nghệ AI vào công việc hàng ngày. Nhờ vào sự phát triển không ngừng của công nghệ, người dùng hiện nay có thể dễ dàng tiếp cận và sử dụng các công cụ mạnh mẽ như Presentations.ai để nâng cao hiệu quả trong công việc của mình.

Dù rằng còn nhiều thách thức phía trước, Presentations.ai đã lập nên một dấu ấn thú vị trên thị trường đầy cạnh tranh này, khẳng định vị thế của một startup tự tin đối diện các tên tuổi lớn như Google hay Microsoft trong lĩnh vực tạo nội dung và thuyết trình. Từ đó, có thể nói rằng, đây là một xu hướng đáng để theo dõi trong thời gian sắp tới.

The post Trí tuệ nhân tạo giúp tạo bài thuyết trình nhanh chóng với presenations.ai appeared first on Nhật Phúc.

Theo thông cáo từ OpenAI, các đối tác công nghệ ban đầu bao gồm Arm, Microsoft, NVIDIA, Oracle và OpenAI, với việc triển khai hiện đang được tiến hành tại Texas và sẽ mở rộng ra các địa điểm khác trên toàn quốc. Theo thông tin từ OpenAI, Oracle, NVIDIA và OpenAI sẽ hợp tác chặt chẽ để xây dựng và vận hành hệ thống máy tính này.

Ngoài ra, Microsoft cũng đã thông báo về một bản cập nhật trong quan hệ đối tác với OpenAI, khẳng định các yếu tố chính của thỏa thuận vẫn tiếp tục có hiệu lực cho đến năm 2030. Điều này bao gồm quyền truy cập vào tài sản trí tuệ của OpenAI, các thỏa thuận chia sẻ doanh thu và sự độc quyền đối với API của OpenAI vẫn sẽ tiếp tục.

Tuy nhiên, có một thay đổi đáng chú ý là Microsoft đã nhấn mạnh rằng OpenAI đã thực hiện một cam kết lớn về Azure để tiếp tục hỗ trợ tất cả các sản phẩm của OpenAI cũng như đào tạo. Nhưng thỏa thuận độc quyền cho khả năng mới đang thay đổi, giúp Microsoft có quyền từ chối đầu tiên đối với việc OpenAI xây dựng sức mạnh tính toán mới.

The post OpenAI và SoftBank công bố dự án Stargate trị giá 500 tỷ đô la appeared first on Nhật Phúc.

MetAI đã phát triển một mô hình có khả năng nhanh chóng tạo ra các bản sao số “SimReady” nhờ vào công nghệ AI và 3D. Qua đó, công ty cho phép chuyển đổi các tệp CAD thành môi trường 3D chức năng chỉ trong vài phút. Gần đây, Nvidia vừa công bố họ đã đầu tư 4 triệu đô la Mỹ vào MetAI trong vòng gọi vốn đầu tiên, đánh dấu lần đầu tiên họ đầu tư vào một công ty khởi nghiệp tại Đài Loan. Vòng gọi vốn này còn có sự tham gia của nhiều nhà đầu tư chiến lược và tài chính khác bao gồm Kenmec Mechanical Engineering, Solomon Technology, SparkLabs Taiwan, Addin Ventures và Upstream Ventures.

Trí tuệ nhân tạo thế hệ mới, được biết đến với tên gọi AI vật lý sinh sản (generative physical AI), phụ thuộc vào các môi trường mô phỏng chính xác để đào tạo và xác thực các robot trong các hệ thống tự động. MetAI cho rằng các bản sao số mà họ hỗ trợ tạo ra sẽ là trung tâm của nỗ lực này. Theo Daniel Yu, CEO và đồng sáng lập MetAI, các bản sao số từ lâu đã được coi là một rào cản đối với AI vật lý do tốn thời gian nhiều tháng hoặc thậm chí nhiều năm để phát triển.

MetAI tập trung vào việc phát triển các bản sao số được hỗ trợ bởi AI, hướng đến các nhà máy sản xuất bán dẫn tiên tiến, kho thông minh và tự động hóa. Bên cạnh đó, MetAI cũng tạo ra dữ liệu tổng hợp trong các môi trường bản sao số hỗ trợ AI. Renton Hsu, đồng sáng lập và CTO của MetAI, đã có nền tảng trong kỹ thuật 3D và AI. Anh bắt đầu làm việc với các bản sao số khi xây dựng phần mềm ứng dụng AI cho doanh nghiệp, nơi nó được dùng như một giải pháp thực tiễn trong các tình huống mà khách hàng không có đủ dữ liệu để đào tạo hệ thống của họ.

MetAI đã giành giải nhất trong một cuộc thi do Nvidia tổ chức và điều này đã giúp Hsu trở thành một “đại sứ AI Jetson” của đất nước. Nhìn chung, MetAI đang phải đối mặt với sự cạnh tranh từ nhiều công ty lớn và nhỏ khác đã phát triển công nghệ bản sao số cho sản xuất, bao gồm Siemens Digital Industries, Dassault Systemes, Hexagon AB cùng với hàng chục công ty trong lĩnh vực dữ liệu tổng hợp như Sky Engine và Scale AI.

Tuy nhiên, MetAI tự tin rằng phương pháp tiếp cận của họ là độc nhất. Daniel Yu cho biết: “Khác với các đối thủ tập trung vào hiệu quả hoạt động hay tích hợp IoT, MetAI tận dụng các mô hình sinh sản và bố cục hỗ trợ AI để tạo ra các bản sao số được thiết kế cho đào tạo và triển khai AI vật lý trong các hoạt động thực tế. Cách tiếp cận này không chỉ thúc đẩy tốc độ tạo ra các bản sao số mà còn đảm bảo chúng có khả năng sử dụng trực tiếp cho các hệ thống tự động hóa tiên tiến như robotics, giúp thu hẹp khoảng cách giữa mô phỏng và thực tế.”

MetAI tự phân biệt mình bằng cách sản xuất dữ liệu nhân tạo trong các môi trường bản sao số hỗ trợ AI của họ. Yu cho biết tính năng này cho phép người dùng tạo ra dữ liệu tổng hợp tùy chỉnh cho những yêu cầu hoạt động cụ thể, giúp việc đào tạo và xác thực AI trở nên thuận lợi hơn. Thay vì tạo ra các tập dữ liệu tách biệt, MetAI xây dựng các thế giới ảo động, tức là các mô phỏng thế giới thực hoạt động giống như thế giới thực.

Chỉ sau hai năm hoạt động, công ty khởi nghiệp này đã có một số khách hàng và đang tạo ra doanh thu thông qua việc hợp tác với các doanh nghiệp trong ngành sản xuất và tự động hóa. Yu cho biết năm nay công ty kỳ vọng sẽ tạo ra 3 triệu đô la từ một dự án đơn lẻ. Doanh thu được hình thành từ nguồn thu nhập dựa trên dự án, đăng ký sản phẩm và phí cấp phép từ các phát triển đang diễn ra.

Theo Nico Caprez, giám đốc phát triển doanh nghiệp của Nvidia, “Sự tích hợp của MetAI với Nvidia Omniverse đại diện cho một bước tiến chuyển mình quan trọng cho các bản sao số công nghiệp và AI vật lý trong các mô phỏng. Khả năng của họ trong việc tạo ra các môi trường có thể mở rộng cho đào tạo AI sẽ có khả năng thiết lập một tiêu chuẩn mới cho các ngành từ sản xuất đến robotics.”

Trong năm 2023, MetAI đã hợp tác với Kenmec để tạo ra các bản sao số cho các kho tự động. Công nghệ của MetAI tuyên bố đã giảm thời gian cần thiết cho các mô phỏng kho bản sao số từ hàng nghìn giờ xuống chỉ còn 3 phút, dẫn đến tiết kiệm đáng kể trong các nhiệm vụ vận hành và xác minh. Với vòng gọi vốn mới, MetAI đang có kế hoạch mở rộng đội ngũ R&D nhằm phát triển nhanh hơn và thực hiện chiến lược tiếp cận thị trường để đáp ứng nhu cầu đang tăng lên. Công ty khởi nghiệp có trụ sở tại Đài Loan dự định thiết lập văn phòng tại Mỹ và chuyển trụ sở chính vào nửa sau năm 2025. Yu cho biết: “Đài Loan là nơi thử nghiệm của chúng tôi, nơi chúng tôi hợp tác với các lãnh đạo ngành công nghiệp Đài Loan để tích hợp kiến thức sâu vào các mô hình của mình, đảm bảo rằng các giải pháp của chúng tôi vừa chắc chắn vừa có thể mở rộng.”

The post Nvidia đầu tư vào MetAI, khởi đầu cho tương lai trí tuệ nhân tạo thế hệ mới tại Đài Loan appeared first on Nhật Phúc.

Trong nghiên cứu này, 1.052 người tham gia, được trả 60 đô la, được yêu cầu đọc hai câu đầu tiên trong tác phẩm “The Great Gatsby” qua một ứng dụng. Sau đó, một AI giống như những nhân vật 2D từ trò chơi điện tử Final Fantasy thời SNES đã tiến hành cuộc phỏng vấn kéo dài hai giờ để thu thập thông tin về cuộc đời của họ. Dữ liệu này sau đó được sử dụng để huấn luyện một mô hình ngôn ngữ lớn (LLM) nhằm tạo ra các “agent” AI có khả năng phản ánh suy nghĩ và hành vi của người tham gia.

Công trình này không chỉ là một nỗ lực trí óc mà còn là áp dụng sức mạnh của công nghệ AI vào thực tiễn, nhằm mục đích giúp các nhà hoạch định chính sách và doanh nghiệp hiểu rõ hơn về công chúng. Khi các khảo sát truyền thống có thể tốn kém và mất nhiều thời gian, việc sử dụng AI để tạo ra các “agent” từ các cuộc hội thoại kéo dài có thể giúp phản ánh ý kiến xã hội một cách nhanh chóng và toàn diện hơn.

Một phần quan trọng của dự án là thu thập các mẫu phản hồi đa dạng từ khắp Hoa Kỳ. Các câu hỏi đặt ra không chỉ bao gồm các thông tin về nhân khẩu học như chủng tộc, giới tính, và thu nhập mà còn đi sâu vào quan điểm chính trị và thói quen sử dụng mạng xã hội. Mỗi cuộc phỏng vấn trung bình tạo ra bản chép lại dài khoảng 6.491 từ, cung cấp nền tảng thông tin rất phong phú cho các mô hình AI.

Ở bước cuối cùng, các nhà nghiên cứu tiến hành thử nghiệm các “agent” AI qua các trò chơi kinh tế  để xem cách họ so sánh với người thật. Kết quả cho thấy có sự nhất quán cao ở một số bài thử nghiệm, nhưng các AI vẫn chưa thể tái tạo hoàn toàn các tương tác phức tạp như cách người thật thực hiện.

Dù còn tồn tại nhiều thách thức, nghiên cứu này mở ra các khả năng mới về việc sử dụng trí tuệ nhân tạo để mô phỏng và hiểu sâu hơn về hành vi con người. Tuy nhiên, mối quan ngại về khả năng lạm dụng công nghệ này vẫn là điều mà các chuyên gia lo ngại, đặc biệt khi nghía qua các ứng dụng trong thương mại hay chính trị, nơi mà hiểu sai ý kiến công chúng có thể dẫn đến các quyết định thiếu chính xác.

The post Trí tuệ nhân tạo học theo bạn chỉ sau cuộc phỏng vấn hai giờ: Bước ngoặt hay nỗi lo mới? appeared first on Nhật Phúc.

Grok không chỉ đơn thuần là một công cụ chat mà còn là một trợ lý trí tuệ nhân tạo, được thiết kế với các tính năng tối ưu nhất. Người dùng có thể đặt câu hỏi về bất kỳ chủ đề nào mà họ quan tâm, tạo ra các hình ảnh ấn tượng và thậm chí tải lên bức ảnh để Grok giúp họ hiểu sâu sắc hơn về thế giới xung quanh. Với Grok, như một câu slogan nổi bật của ứng dụng, “vũ trụ nằm trong tay bạn!”.

Điều đáng lưu ý là ứng dụng mới này tập trung vào quyền riêng tư của người sử dụng, X đã nhấn mạnh rằng tất cả các tương tác dữ liệu được thực hiện với sự chú ý đến quyền riêng tư của người dùng. Điều này hứa hẹn tạo nên một trải nghiệm an toàn theo chính sách bảo mật của xAI.

Trước khi ra mắt tại Mỹ, ứng dụng Grok chỉ có sẵn tại Úc sau khi phiên bản beta được khởi động vào tháng 12 năm ngoái. Sự ra mắt tại Mỹ không chỉ giúp mở rộng đối tượng người dùng mà còn cho thấy rằng xAI đang có những bước tiến mạnh mẽ trong việc lan tỏa sản phẩm của mình. Chúng ta có thể dự đoán rằng trong thời gian tới, Grok sẽ sớm xuất hiện ở các khu vực khác trên toàn cầu.

Với việc ứng dụng Grok giờ đây đã có mặt trên ios và có thể tải xuống miễn phí, người dùng sẽ có thêm một công cụ mới để khai thác sức mạnh của AI vào cuộc sống hàng ngày và công việc của mình. Nếu bạn là một người yêu thích công nghệ và muốn thử nghiệm khả năng của Grok, đây chính là cơ hội tuyệt vời để trải nghiệm. Hãy nhanh tay tải xuống ứng dụng và khám phá những tính năng thú vị mà Grok mang lại, từ việc tạo hình ảnh đến việc tìm kiếm thông tin thời gian thực. Chắc chắn rằng Grok sẽ là trợ lý đắc lực cho bạn.

The post Grok ai ra mắt ứng dụng iOS mới phục vụ người dùng tại Mỹ appeared first on Nhật Phúc.

Trong một loạt bài viết trên mạng xã hội, Altman cho biết ông đích thân quyết định mức giá này, với hy vọng đem về lợi nhuận, bất chấp những hoài nghi về giá trị của chế độ o1 pro mode đi kèm. ChatGPT Pro, ra mắt vào cuối năm ngoái, cung cấp cho người dùng quyền truy cập vào phiên bản nâng cấp của mô hình AI ‘reasoning’ o1, chế độ o1 pro, và tăng giới hạn sử dụng cho một số công cụ khác của OpenAI như máy tạo video Sora.

Mặc dù mức giá 2.400 đô-la mỗi năm bị coi là khá cao, nhưng người dùng đăng ký dịch vụ lại đang khai thác tối đa các dịch vụ của OpenAI, khiến công ty cảm thấy áp lực về tài chính. Đáng chú ý, đây không phải lần đầu tiên OpenAI đưa ra mức giá sản phẩm một cách không rõ ràng. Trong một cuộc phỏng vấn gần đây với Bloomberg, Altman đã tiết lộ rằng công ty từng thử nghiệm hai mức giá khác nhau cho ChatGPT, và cuối cùng quyết định chọn mức giá 20 đô-la sau khi thấy người dùng chấp nhận tốt hơn so với mức giá 42 đô-la.

Về tình hình tài chính chung, OpenAI vẫn chưa đạt lợi nhuận, mặc dù đã huy động được khoảng 20 tỷ đô-la kể từ khi thành lập. Năm ngoái, công ty dự đoán lỗ khoảng 5 tỷ đô-la trên doanh thu 3,7 tỷ đô-la, với các khoản chi phí lớn từ nhân sự, thuê văn phòng và cơ sở hạ tầng cho đào tạo AI. Một phần nguyên nhân khiến OpenAI gặp khó khăn là chi phí vận hành của ChatGPT, với ước tính hàng ngày lên đến 700.000 đô-la.

OpenAI hiện đang cân nhắc khả năng tái cấu trúc công ty nhằm thu hút thêm vốn đầu tư, đồng thời có thể tăng giá với một số đăng ký dịch vụ hoặc áp dụng cách tính giá dựa trên mức độ sử dụng. Sam Altman cho biết, công ty đặt mục tiêu đạt doanh thu 11,6 tỷ đô-la trong năm nay và vươn lên mốc 100 tỷ đô-la vào năm 2029, tương đương với mức doanh thu hàng năm hiện tại của Nestlé.

Các động thái này cho thấy OpenAI đang cố gắng tìm con đường dẫn tới sự bền vững tài chính và mở rộng trong một thị trường đầy cạnh tranh và biến động không ngừng từ các đối thủ khác trong ngành công nghệ cao.

The post OpenAI lỗ trên mô hình ChatGPT Pro dù người dùng trả phí cao appeared first on Nhật Phúc.

Với các công ty công nghệ, cơ hội phục vụ trong ngành y tế có thể rất sinh lợi. Tuy nhiên, trong thực tế, chúng ta dường như vẫn còn xa với việc thay thế các bác sĩ bằng AI, hay thậm chí là cải thiện công việc của họ một cách đáng kể. Washington Post đã phỏng vấn nhiều chuyên gia, bao gồm bác sĩ, để tìm hiểu kết quả thử nghiệm AI ban đầu, và kết quả không thực sự khả quan. Một ví dụ từ giáo sư lâm sàng Christopher Sharp thuộc Stanford Medical cho thấy AI GPT-4o đã trả lời sai lệch khi khuyên sử dụng kem steroid cho môi bị kích ứng sau khi ăn cà chua, mà trên thực tế Sharp cho rằng điều này không nên áp dụng cho mô môi mỏng.

Một trường hợp khác từ giáo sư y khoa và khoa học dữ liệu Roxana Daneshjou của Stanford, cho thấy AI đã đưa ra lời khuyên chăm sóc ngực sai lệch cho một bệnh nhân đang cho con bú. Điều này nhấn mạnh nguy cơ khi AI được đẩy mạnh sử dụng trong lĩnh vực y tế, vốn đòi hỏi chuyên môn cao và nguy cơ sai sót có thể đe dọa tính mạng. Các nhà nghiên cứu đã chỉ ra rằng AI có thể cho ra các phản hồi nguy hiểm vài lần trên tổng số câu hỏi y tế làm bài thử nghiệm. Mặc dù những người ủng hộ khẳng định AI chỉ là công cụ hỗ trợ, và nên luôn có bác sĩ kiểm tra sản phẩm của AI, nhưng việc bắt buộc đối chiếu và xác thực thông tin có thể làm tiêu tốn thời gian thay vì tiết kiệm.

Nhìn chung, dù AI có thể giúp ích trong công việc y tế, song sản phẩm AI phải được kiểm tra kỹ lưỡng và đáng tin cậy để xây dựng lòng tin từ bệnh nhân. Hệ thống bệnh viện cần có quy trình kiểm chứng để ngăn chặn tình trạng dùng AI mà không qua kiểm tra thực tế, điều này cũng có thể làm suy yếu uy tín của các bác sĩ. Dù AI có tiềm năng trở thành một công nghệ đáng chú ý, nhưng nó vẫn chưa đủ trưởng thành để được áp dụng rộng rãi trong các lĩnh vực nhạy cảm như chăm sóc sức khỏe. Lần tới khi bạn tới khám bác sĩ, bạn nên tự hỏi liệu họ có đang sử dụng AI trong quá trình làm việc không.

The post Trí tuệ nhân tạo trong chăm sóc sức khỏe appeared first on Nhật Phúc.

Số điện thoại 1-800-242-8478 hiện chỉ dành cho người dùng tại Mỹ trong khi tính năng nhắn tin thông qua WhatsApp có thể được sử dụng toàn cầu. Giới hạn 15 phút mỗi tháng trên mỗi số điện thoại có thể được “đánh lừa” bằng cách dùng nhiều số khác nhau, ví dụ như tạo nhiều số từ Google Voice.

Tính năng điện thoại này được xây dựng trên nền tảng OpenAI’s Realtime API, còn sự tích hợp WhatsApp sử dụng phiên bản GPT-4o mini. OpenAI định vị tính năng này là “bước đệm” quan trọng cho những người mới bắt đầu với trí tuệ nhân tạo, khi nó mang đến một phiên bản ChatGPT tương đối đơn giản và có giá trị chi phí thấp để trải nghiệm qua các kênh quen thuộc.

Dù tính năng này là một điểm nhấn mới, nhưng người dùng có nhu cầu cao hơn về các tính năng đầy đủ, tùy biến và lượng truy cập lớn vẫn nên tiếp tục sử dụng tài khoản ChatGPT thông thường.

Kỷ niệm về một công cụ tương tự của Google, dịch vụ GOOG-411, cũng được gợi nhắc lại. Ra mắt năm 2007 và ngừng hoạt động năm 2010, GOOG-411 đã thu thập nhiều mẫu giọng nói để tăng cường công nghệ nhận dạng giọng nói của mình.

Mặc dù Google từng dùng dịch vụ này để phát triển mô hình nhận diện ngữ âm, nhưng OpenAI khẳng định họ sẽ không sử dụng các cuộc gọi này nhằm huấn luyện các mô hình ngôn ngữ lớn, theo đại diện Taya Christianson.

The post Gọi điện để trò chuyện với ChatGPT: bước đi mới của OpenAI appeared first on Nhật Phúc.