Năm 2024 khởi đầu với làn sóng AI tạo sinh

Cộng đồng AI dường như gần như ngày nào cũng xuất hiện trên các tiêu đề tin tức. Những tháng đầu năm 2024 đầy hào hứng với hàng loạt đổi mới AI. Từ các model ngôn ngữ lớn mạnh mẽ đến thiết bị cấy ghép vào não người, năm 2024 đang định hình thành một năm đáng chú ý của AI.

Chúng ta đang chứng kiến AI chuyển đổi các ngành, giúp thông tin dễ tiếp cận hơn và thậm chí bắt đầu những bước đầu tiên hướng tới việc hợp nhất trí óc con người với máy móc. Hãy cùng nhìn lại quý đầu tiên của năm 2024 và xem xét kỹ hơn những tiến bộ AI chỉ trong vài tháng.

LLM đang là xu hướng#

Model ngôn ngữ lớn (LLM), được thiết kế để hiểu, tạo và thao tác ngôn ngữ của con người dựa trên lượng dữ liệu văn bản khổng lồ, trở thành tâm điểm trong quý đầu năm 2024. Nhiều công ty công nghệ lớn phát hành LLM riêng, mỗi model có những khả năng riêng biệt. Thành công của các LLM trước đó như GPT-3 đã truyền cảm hứng cho xu hướng này. Dưới đây là một số bản phát hành LLM đáng chú ý nhất đầu năm 2024.

Claude 3 của Anthropic#

Anthropic phát hành Claude 3 vào ngày 4 tháng 3 năm 2024. Model Claude 3 có ba phiên bản: Opus, Sonnet và Haiku, mỗi phiên bản phục vụ các thị trường và mục đích khác nhau. Haiku, model nhanh nhất, được tối ưu cho các phản hồi nhanh và cơ bản. Sonnet cân bằng tốc độ với trí thông minh và hướng đến các ứng dụng doanh nghiệp. Opus, phiên bản có năng lực cao nhất, được thiết kế cho các tác vụ suy luận phức tạp và dẫn đầu nhiều benchmark khi ra mắt.

Như đã trình bày trong bài đánh giá model card Claude 3, Claude 3 mang đến một số tính năng và cải tiến:

• Cải thiện hội thoại đa ngôn ngữ: Nâng cao khả năng xử lý các ngôn ngữ như tiếng Tây Ban Nha, tiếng Nhật và tiếng Pháp.
• Tính năng thị giác tiên tiến: Có khả năng xử lý nhiều định dạng hình ảnh khác nhau.
• Giảm số lần từ chối: Thể hiện khả năng thấu hiểu tốt hơn với ít lần từ chối không cần thiết hơn, cho thấy khả năng nắm bắt ngữ cảnh được cải thiện.
• Cửa sổ ngữ cảnh mở rộng: Cung cấp cửa sổ ngữ cảnh 200K, nhưng có khả năng xử lý đầu vào vượt quá 1 triệu token tùy theo nhu cầu của khách hàng.

Hình 1. Claude 3 nhận biết ngữ cảnh tốt hơn các phiên bản trước.

DBRX của Databricks#

Databricks DBRX là LLM mã nguồn mở, đa dụng do Databricks phát hành vào ngày 27 tháng 3 năm 2024. DBRX đạt kết quả tốt trên nhiều benchmark, bao gồm hiểu ngôn ngữ, lập trình và toán học. Model vượt trội hơn các model đã được thiết lập khác, đồng thời có kích thước nhỏ hơn khoảng 40% so với các model tương tự.

Hình 2. So sánh DBRX với các model khác.

DBRX được huấn luyện bằng phương pháp dự đoán token tiếp theo với kiến trúc hỗn hợp chuyên gia (MoE) chi tiết, giúp cải thiện đáng kể hiệu quả huấn luyện và inference. Kiến trúc cho phép model dự đoán chính xác hơn từ tiếp theo trong một chuỗi bằng cách tham vấn nhiều model con chuyên biệt đa dạng (các “chuyên gia”). Những model con này xử lý tốt nhiều loại thông tin hoặc tác vụ khác nhau.

Gemini 1.5 của Google#

Google giới thiệu Gemini 1.5 vào ngày 15 tháng 2 năm 2024, một model AI đa phương thức tiết kiệm năng lực tính toán, có thể phân tích lượng lớn dữ liệu văn bản, video và âm thanh. Model mới nhất tiên tiến hơn về hiệu năng, hiệu quả và năng lực. Một tính năng nổi bật của Gemini 1.5 là bước đột phá trong khả năng hiểu ngữ cảnh dài. Model có thể xử lý ổn định tới 1 triệu token. Các khả năng của Gemini 1.5 cũng đến từ kiến trúc mới dựa trên MoE.

Hình 3. So sánh độ dài ngữ cảnh của các LLM phổ biến

Dưới đây là một số tính năng thú vị nhất của Gemini 1.5:

• Cải thiện khả năng xử lý dữ liệu: Cho phép tải trực tiếp các tệp PDF lớn, kho mã nguồn hoặc video dài lên làm prompt. Model có thể suy luận trên nhiều phương thức và xuất ra văn bản.
• Tải lên và truy vấn nhiều tệp: Giờ đây, nhà phát triển có thể tải lên nhiều tệp và đặt câu hỏi.
• Có thể sử dụng cho nhiều tác vụ: Model được tối ưu để mở rộng quy mô trên nhiều tác vụ khác nhau, đồng thời cải thiện ở các lĩnh vực như toán học, khoa học, suy luận, đa ngôn ngữ, hiểu video và mã nguồn.

Hình ảnh ấn tượng từ AI#

Quý đầu năm 2024 chứng kiến sự xuất hiện của các model AI tạo sinh có thể tạo ra hình ảnh chân thực đến mức làm dấy lên tranh luận về tương lai của mạng xã hội và tiến bộ của AI. Dưới đây là những model đang thu hút sự chú ý.

Sora của OpenAI#

OpenAI, đơn vị tạo ra ChatGPT, công bố model học sâu chuyển văn bản thành video hiện đại nhất mang tên Sora vào ngày 15 tháng 2 năm 2024. Sora là công cụ tạo video từ văn bản, có khả năng tạo video dài một phút với chất lượng hình ảnh cao dựa trên prompt văn bản của người dùng.

Ví dụ, hãy xem prompt sau.

“Một thế giới thủ công bằng giấy được kết xuất tuyệt đẹp, tái hiện rạn san hô tràn ngập cá và sinh vật biển đầy màu sắc.”

Và đây là một khung hình từ video đầu ra.

Hình 4. Một khung hình từ video do Sora tạo.

Kiến trúc của Sora tạo nên điều này bằng cách kết hợp các model khuếch tán để tạo kết cấu với các model Transformer để đảm bảo tính nhất quán về cấu trúc. Cho đến nay, quyền truy cập vào Sora đã được cấp cho các nhóm red team cùng một số nghệ sĩ thị giác, nhà thiết kế và nhà làm phim được tuyển chọn để tìm hiểu rủi ro và thu thập phản hồi.

Stable Diffusion 3 của Stability AI#

Stability AI công bố Stable Diffusion 3, một model tạo ảnh từ văn bản, vào ngày 22 tháng 2 năm 2024. Model kết hợp kiến trúc diffusion Transformer với kỹ thuật flow matching. Nhóm phát triển chưa công bố tài liệu kỹ thuật, nhưng có một số tính năng quan trọng cần lưu ý.

Hình 5. Hình ảnh đầu ra dựa trên prompt: “Tác phẩm anime hoành tráng về một phù thủy đứng trên đỉnh núi vào ban đêm, thi triển phép thuật vũ trụ lên bầu trời tối, tạo thành dòng chữ "Stable Diffusion 3" bằng năng lượng nhiều màu sắc” (Nguồn)

Model Stable Diffusion mới nhất mang lại hiệu suất, chất lượng hình ảnh và độ chính xác cao hơn khi tạo ảnh có nhiều chủ thể. Stable Diffusion 3 cũng sẽ cung cấp nhiều model với quy mô từ 800 triệu đến 8 tỷ tham số. Người dùng có thể lựa chọn model phù hợp với nhu cầu cụ thể về khả năng mở rộng và độ chi tiết.

Lumiere của Google#

Ngày 23 tháng 1 năm 2024, các nhà nghiên cứu của Google giới thiệu Lumiere, một model khuếch tán chuyển văn bản thành video. Lumiere sử dụng kiến trúc có tên Space-Time-U-Net, viết tắt là STUNet. Kiến trúc này giúp Lumiere hiểu vị trí của các vật thể và cách chúng di chuyển trong video. Nhờ đó, Lumiere có thể tạo ra video mượt mà và sống động.

Hình 6. Một khung hình từ video được tạo dựa trên prompt: “Gấu trúc chơi đàn ukulele ở nhà.”

Với khả năng tạo 80 khung hình cho mỗi video, Lumiere đánh dấu bước tiến đáng kể về chất lượng video do AI tạo ra. Dưới đây là một số tính năng của Lumiere:

• Chuyển ảnh thành video: Bắt đầu từ một hình ảnh và một prompt, Lumiere có thể tạo hoạt ảnh từ hình ảnh để biến chúng thành video.
• Tạo video theo phong cách: Lumiere có thể tạo video theo phong cách cụ thể bằng một hình ảnh tham chiếu duy nhất.
• Cinemagraph: Lumiere có thể tạo hoạt ảnh cho các vùng cụ thể trong ảnh để tạo cảnh động, chẳng hạn như một vật thể chuyển động trong khi phần còn lại của cảnh vẫn tĩnh.
• Tô màu video: Model có thể chỉnh sửa một phần video, chẳng hạn như thay đổi trang phục của người trong video hoặc điều chỉnh các chi tiết nền.

Tương lai dường như đã ở đây#

Đầu năm 2024 cũng mang đến nhiều đổi mới AI tựa như bước ra từ phim khoa học viễn tưởng. Những điều trước đây chúng ta cho là bất khả thi giờ đây đang được phát triển. Với những khám phá sau đây, tương lai dường như không còn xa.

Neuralink của Elon Musk#

Neuralink của Elon Musk đã cấy thành công chip não không dây vào một người vào ngày 29 tháng 1 năm 2024. Đây là bước tiến lớn hướng tới việc kết nối não người với máy tính. Elon Musk chia sẻ rằng sản phẩm đầu tiên của Neuralink, có tên ‘Telepathy’, đang được phát triển.

Hình 7. Thiết bị cấy ghép Neuralink

Mục tiêu là giúp người dùng, đặc biệt là những người mất chức năng vận động tay chân, dễ dàng điều khiển thiết bị bằng suy nghĩ. Các ứng dụng tiềm năng không chỉ dừng lại ở sự tiện lợi. Elon Musk hình dung một tương lai nơi người bị liệt có thể giao tiếp dễ dàng.

Sàn HoloTile của Disney#

Ngày 18 tháng 1 năm 2024, Walt Disney Imagineering ra mắt HoloTile Floor. Thiết bị này được mệnh danh là sàn máy chạy bộ đa hướng đầu tiên trên thế giới dành cho nhiều người.

Hình 8. Imagineer Lanny Smoot của Disney tạo dáng trên sàn HoloTile, phát minh mới nhất của ông.

Sàn có thể di chuyển bên dưới bất kỳ người hoặc vật thể nào như thể được điều khiển bằng thần giao cách cảm, mang đến trải nghiệm thực tế ảo và thực tế tăng cường sống động. Bạn có thể đi theo bất kỳ hướng nào và tránh va chạm khi đứng trên sàn. Sàn HoloTile của Disney cũng có thể được lắp đặt trên sân khấu để biểu diễn các điệu nhảy và chuyển động sáng tạo.

Vision Pro của Apple#

Ngày 2 tháng 2 năm 2024, kính Vision Pro được mong đợi từ lâu của Apple chính thức ra mắt thị trường. Thiết bị có nhiều tính năng và ứng dụng được thiết kế để định nghĩa lại trải nghiệm thực tế ảo và thực tế tăng cường. Kính Vision Pro hướng đến nhiều nhóm người dùng bằng cách kết hợp giải trí, năng suất và điện toán không gian. Apple tự hào thông báo rằng khi ra mắt, Vision Pro có hơn 600 ứng dụng được tối ưu hóa, từ công cụ năng suất đến dịch vụ trò chơi và giải trí.

Devin của Cognition#

Ngày 12 tháng 3 năm 2024, Cognition phát hành trợ lý kỹ thuật phần mềm mang tên Devin. Devin là nỗ lực đầu tiên trên thế giới nhằm tạo ra một kỹ sư phần mềm AI tự hành. Khác với các trợ lý lập trình truyền thống chỉ đưa ra gợi ý hoặc hoàn thành những tác vụ cụ thể, Devin được thiết kế để xử lý toàn bộ dự án phát triển phần mềm từ ý tưởng ban đầu đến khi hoàn thành.

Model có thể học công nghệ mới, xây dựng và triển khai ứng dụng hoàn chỉnh, tìm và sửa lỗi, huấn luyện model của riêng mình, đóng góp vào các codebase mã nguồn mở và sản phẩm, thậm chí đảm nhận công việc phát triển thực tế từ các nền tảng như Upwork.

Hình 9. So sánh Devin với các model khác.

Devin được đánh giá trên SWE-bench, một benchmark đầy thách thức yêu cầu các agent giải quyết những issue thực tế trên GitHub trong các dự án mã nguồn mở như Django và scikit-learn. Devin giải quyết chính xác 13,86% số issue từ đầu đến cuối, so với mức 1,96% của công nghệ tiên tiến nhất trước đó.

Một số đề cập đáng chú ý#

Có quá nhiều diễn biến nên không thể đề cập hết mọi thứ trong bài viết này, nhưng dưới đây là một vài điểm đáng chú ý khác.

• LATTE3D của NVIDIA, được công bố vào ngày 21 tháng 3 năm 2024, là model AI chuyển văn bản thành 3D, có thể tạo tức thì các biểu diễn 3D từ prompt văn bản.
• Công cụ tạo video từ văn bản mới của Midjourney, được CEO David Holz hé lộ, bắt đầu huấn luyện vào tháng 1 và dự kiến sẽ sớm ra mắt.
• Góp phần thúc đẩy cuộc cách mạng AI PC, Lenovo ra mắt ThinkBook 13x với công nghệ E Ink Prism và các laptop AI hiệu năng cao vào ngày 8 tháng 1 năm 2024.

Cùng chúng tôi cập nhật các xu hướng AI!#

Đầu năm 2024 chứng kiến những bước tiến lớn trong AI và một số cột mốc công nghệ. Nhưng đây mới chỉ là khởi đầu cho những gì AI có thể làm. Nếu muốn tìm hiểu thêm về những phát triển AI mới nhất, Ultralytics luôn sẵn sàng hỗ trợ bạn.

Hãy xem kho GitHub của chúng tôi để tìm hiểu những đóng góp mới nhất trong thị giác máy tính và AI. Bạn cũng có thể xem các trang giải pháp để tìm hiểu cách AI được ứng dụng trong những ngành như sản xuất và chăm sóc sức khỏe.