Từ bit đến qubit: Quantum optimization đang định hình lại AI như thế nào

Hầu hết các hệ thống AI tiên tiến, từ ô tô tự lái đến model dự đoán giá cổ phiếu, liên tục đưa ra các đánh đổi khi điều chỉnh, tinh chỉnh và học hỏi từ kinh nghiệm. Đằng sau những quyết định này là một trong những quy trình quan trọng nhất trong AI: tối ưu hóa.

Ví dụ, một model AI được huấn luyện để nhận diện biển báo giao thông hoặc dự đoán giá nhà sẽ học từ các ví dụ. Trong quá trình huấn luyện, model liên tục cải thiện cách thức học. Mỗi bước điều chỉnh hàng triệu tham số, tinh chỉnh các trọng số và bias để giảm lỗi dự đoán và cải thiện độ chính xác.

Bạn có thể hình dung quy trình này như một bài toán tối ưu hóa quy mô lớn. Mục tiêu là tìm ra tổ hợp tham số tốt nhất, mang lại kết quả chính xác mà không overfitting hoặc lãng phí tài nguyên tính toán.

Trên thực tế, tối ưu hóa là một phần cốt lõi của trí tuệ nhân tạo. Dù một model AI đang nhận diện hình ảnh hay dự báo giá, nó đều phải tìm kiếm giải pháp hiệu quả nhất trong vô số khả năng. Tuy nhiên, khi model và dataset phát triển, quá trình tìm kiếm này ngày càng phức tạp và tốn kém về mặt tính toán.

Tối ưu hóa lượng tử là một hướng tiếp cận mới nổi có thể giúp giải quyết thách thức này. Phương pháp này dựa trên điện toán lượng tử, sử dụng các nguyên lý của cơ học lượng tử để xử lý thông tin theo những cách mới.

Thay vì sử dụng bit chỉ có thể là 0 hoặc 1, máy tính lượng tử sử dụng qubit, có thể tồn tại ở nhiều trạng thái cùng lúc. Điều này cho phép chúng khám phá nhiều nghiệm khả dĩ song song, giải quyết các bài toán tối ưu hóa phức tạp hiệu quả hơn các phương pháp cổ điển trong một số trường hợp.

Tuy nhiên, tính song song lượng tử không giống với việc chạy đồng thời nhiều bộ xử lý cổ điển. Đây là một quy trình xác suất, phụ thuộc vào giao thoa lượng tử để tạo ra các kết quả hữu ích.

Nói đơn giản, điều đó có nghĩa là máy tính lượng tử không kiểm tra mọi khả năng cùng một lúc. Thay vào đó, chúng sử dụng giao thoa, trong đó một số khả năng được củng cố lẫn nhau còn những khả năng khác triệt tiêu nhau, để tăng xác suất tìm ra đáp án đúng.

Trong bài viết này, chúng ta sẽ tìm hiểu cách thức hoạt động của tối ưu hóa lượng tử, lý do nó quan trọng và ý nghĩa của nó đối với tương lai của điện toán thông minh. Hãy bắt đầu!

Tối ưu hóa lượng tử là gì?#

Tối ưu hóa lượng tử là một lĩnh vực đang phát triển trong điện toán lượng tử, tập trung vào việc giải quyết các bài toán tối ưu hóa phức tạp bằng những tính chất đặc thù của cơ học lượng tử. Lĩnh vực này kế thừa hàng thập kỷ nghiên cứu về khoa học máy tính và vật lý, kết hợp chúng để giải quyết những thách thức mà điện toán truyền thống gặp khó khăn.

Ý tưởng sử dụng các hệ thống lượng tử cho tối ưu hóa lần đầu xuất hiện vào cuối những năm 1990, khi các nhà nghiên cứu bắt đầu tìm hiểu cách những nguyên lý lượng tử như chồng chập (các trạng thái đồng thời) và rối lượng tử (các qubit liên kết) có thể được áp dụng vào việc giải quyết vấn đề.

Theo thời gian, ý tưởng này phát triển thành tối ưu hóa lượng tử, trong đó các nhà nghiên cứu xây dựng những thuật toán sử dụng hiệu ứng lượng tử để tìm kiếm hiệu quả các nghiệm tối ưu trong những không gian bài toán lớn và phức tạp.

Những khái niệm cơ bản về tối ưu hóa lượng tử#

Về cốt lõi, tối ưu hóa lượng tử được xây dựng trên ba thành phần chính: thuật toán lượng tử, qubit và mạch lượng tử. Thuật toán lượng tử cung cấp logic cho phép khám phá hiệu quả các tập nghiệm khả dĩ lớn.

Các thuật toán này hoạt động trên qubit, những đơn vị cơ bản của thông tin lượng tử. Chúng khác với bit cổ điển (đơn vị dữ liệu nhị phân trong máy tính truyền thống, có thể chứa giá trị 0 hoặc 1) vì có thể tồn tại trong trạng thái chồng chập, biểu diễn đồng thời cả 0 và 1.

Hình 1. Qubit là gì? (Nguồn: ResearchGate)

Tính chất đặc biệt này cho phép các hệ thống lượng tử đánh giá nhiều khả năng cùng lúc, mở rộng đáng kể tiềm năng tính toán. Trong khi đó, các mạch lượng tử kết nối qubit thông qua những chuỗi cổng lượng tử, kiểm soát cách thông tin truyền và tương tác để từng bước hướng hệ thống đến một nghiệm gần tối ưu.

Tối ưu hóa cổ điển và lượng tử#

Dưới đây là một số khác biệt chính giữa các phương pháp tối ưu hóa cổ điển và lượng tử:

• Phong cách tính toán: Thuật toán cổ điển kiểm tra từng nghiệm một. Thuật toán lượng tử có thể xem xét nhiều khả năng cùng lúc bằng cách sử dụng các tính chất đặc thù của vật lý lượng tử.
• Năng lực xử lý: Máy tính cổ điển sử dụng các bit chỉ có thể là 0 hoặc 1. Máy tính lượng tử sử dụng qubit, có thể đồng thời là 0 và 1, đồng thời có thể liên kết với nhau, cho phép xử lý các bài toán phức tạp hơn.
• Quy mô bài toán: Tối ưu hóa cổ điển hoạt động tốt với các bài toán nhỏ hoặc có độ phức tạp vừa phải. Tối ưu hóa lượng tử đang được phát triển để xử lý những bài toán lớn hơn nhiều và phức tạp hơn, vốn khó giải quyết trên máy tính hiện nay.
• Kết quả: Kết quả cổ điển có thể dự đoán và lặp lại. Kết quả lượng tử dựa trên xác suất, vì vậy cùng một tác vụ có thể cho ra những kết quả hơi khác nhau; các kết quả này được tinh chỉnh qua nhiều lần chạy để tìm ra đáp án tốt nhất.

Hình 2. Tối ưu hóa cổ điển và lượng tử (Hình ảnh do tác giả thực hiện)

Tối ưu hóa lượng tử hoạt động như thế nào#

Tiếp theo, hãy cùng tìm hiểu cách tối ưu hóa lượng tử thực sự hoạt động. Tất cả bắt đầu từ việc xác định một bài toán thực tế và chuyển đổi bài toán đó thành dạng mà máy tính lượng tử có thể xử lý.

Dưới đây là tổng quan về các bước chính trong tối ưu hóa lượng tử:

• Bước 1: Biểu diễn bài toán dưới dạng landscape năng lượng: Mọi bài toán tối ưu hóa, chẳng hạn như lập kế hoạch tuyến giao hàng hoặc tinh chỉnh các model machine learning, đều có thể được mô tả như một landscape gồm các mức năng lượng. Mỗi đáp án khả dĩ có một giá trị năng lượng, và mục tiêu là tìm giá trị thấp nhất, đại diện cho nghiệm hiệu quả hoặc tối ưu nhất.

• Bước 2: Mã hóa bài toán vào một mạch lượng tử: Sau đó, bài toán được chuyển đổi thành một mạch lượng tử. Tại đây, qubit (bit lượng tử) biểu diễn dữ liệu và có thể khám phá nhiều nghiệm cùng lúc thông qua trạng thái chồng chập.

• Bước 3: Hướng hệ thống đến nghiệm tốt nhất: Máy tính lượng tử sau đó điều chỉnh các qubit từng bước, cho phép hệ thống tiến đến nghiệm có năng lượng thấp nhất, hay nghiệm tốt nhất. Quy trình này được gọi là tôi luyện lượng tử hoặc tiến hóa đoạn nhiệt, tùy thuộc vào phương pháp được sử dụng. Nó giúp hệ thống ổn định ở trạng thái có triển vọng nhất.

• Bước 4: Đo lường và diễn giải kết quả: Khi hệ thống ổn định, các qubit được đo, tạo ra một nghiệm xấp xỉ. Các lần chạy lặp lại thường được sử dụng để đánh giá chất lượng nghiệm và xác nhận độ tin cậy.

• Bước 5: Kết hợp với điện toán cổ điển để tinh chỉnh: Cuối cùng, máy tính cổ điển được đưa trở lại quy trình. Chúng phân tích và tinh chỉnh kết quả từ các lần chạy lượng tử để cải thiện độ chính xác. Phương pháp hybrid này, được sử dụng trong các phương pháp như QAOA (Thuật toán tối ưu hóa xấp xỉ lượng tử) và VQE (Bộ giải trị riêng lượng tử biến phân), kết hợp thế mạnh của cả hệ thống cổ điển và lượng tử để đạt hiệu năng tổng thể tốt hơn.

Các thuật toán cốt lõi trong tối ưu hóa lượng tử#

Nhờ những tiến bộ gần đây trong điện toán lượng tử, các nhà nghiên cứu đã phát triển nhiều thuật toán tối ưu hóa lượng tử nhằm giải quyết các bài toán phức tạp hiệu quả hơn. Những hướng tiếp cận này đang định hình tương lai của lĩnh vực. Hãy cùng xem xét một số thuật toán chính.

Tôi luyện lượng tử#

Tôi luyện lượng tử là một kỹ thuật được sử dụng để giải quyết các bài toán tối ưu hóa liên quan đến việc tìm ra cách sắp xếp hoặc tổ hợp tốt nhất trong nhiều khả năng. Đây được gọi là các bài toán tối ưu hóa tổ hợp, chẳng hạn như lập lịch giao hàng, định tuyến phương tiện hoặc nhóm các điểm dữ liệu tương đồng.

Phương pháp này lấy cảm hứng từ một quy trình vật lý gọi là tôi luyện, trong đó vật liệu được làm nguội từ từ để đạt đến trạng thái ổn định có năng lượng thấp. Tương tự, tôi luyện lượng tử dần dần hướng hệ thống lượng tử đến trạng thái năng lượng thấp nhất, đại diện cho nghiệm tốt nhất có thể của bài toán.

Dựa trên các nguyên lý của điện toán lượng tử đoạn nhiệt, quy trình này cho phép hệ thống khám phá nhiều nghiệm tiềm năng và ổn định ở một nghiệm gần tối ưu. Vì kết quả mang tính xác suất, quy trình thường được lặp lại nhiều lần, sau đó thường sử dụng điện toán cổ điển để tinh chỉnh các đáp án.

Tôi luyện lượng tử cho thấy tiềm năng trong việc giải quyết các bài toán tối ưu hóa thực tế ở những lĩnh vực như logistics, phân cụm và phân bổ tài nguyên. Tuy nhiên, các nhà nghiên cứu vẫn đang tìm hiểu khi nào và bằng cách nào phương pháp này có thể hoạt động tốt hơn các phương pháp truyền thống.

Hình 3. Tìm hiểu về tôi luyện lượng tử (Nguồn: ResearchGate)

Thuật toán tối ưu hóa xấp xỉ lượng tử (QAOA)#

Thuật toán tối ưu hóa xấp xỉ lượng tử (QAOA) cũng xử lý các bài toán tối ưu hóa tổ hợp, nhưng theo cách khác với tôi luyện lượng tử. Thay vì tiến hóa dần đến trạng thái năng lượng thấp nhất, QAOA luân phiên giữa hai hàm năng lượng, được gọi là các Hamiltonian.

Một Hamiltonian biểu diễn mục tiêu và các ràng buộc của bài toán, trong khi Hamiltonian còn lại giúp hệ thống khám phá các cấu hình mới. Bằng cách chuyển đổi giữa hai giai đoạn này, thuật toán từng bước tiến đến một nghiệm gần tối ưu.

QAOA chạy trên các hệ thống hybrid lượng tử và cổ điển, trong đó máy tính lượng tử tạo ra các nghiệm khả dĩ còn máy tính cổ điển điều chỉnh tham số sau mỗi lần chạy. Phương pháp này biến QAOA thành một công cụ linh hoạt cho nhiều tác vụ tối ưu hóa, bao gồm lập lịch, định tuyến và các bài toán đồ thị như MaxCut (tìm cách tốt nhất để chia một mạng thành hai phần) và phủ đỉnh (chọn tập nút nhỏ nhất kết nối với mọi cạnh trong một mạng). Dù nghiên cứu vẫn đang được tiến hành, QAOA được xem rộng rãi là một bước tiến đầy hứa hẹn hướng tới việc kết hợp tối ưu hóa cổ điển và lượng tử.

Bộ giải trị riêng lượng tử biến phân (VQE)#

Một thuật toán quan trọng khác là Bộ giải trị riêng lượng tử biến phân (VQE). Khác với QAOA và tôi luyện lượng tử, vốn xử lý các bài toán tối ưu hóa tổ hợp liên quan đến những lựa chọn rời rạc, VQE tập trung vào tối ưu hóa liên tục, trong đó các biến có thể nhận một khoảng giá trị thay vì các lựa chọn cố định.

Thuật toán này chủ yếu được sử dụng để ước tính trạng thái cơ bản, hay mức năng lượng thấp nhất có thể, của một hệ thống lượng tử. Điều này khiến nó đặc biệt hữu ích trong việc nghiên cứu hành vi của phân tử và vật liệu trong vật lý và hóa học.

VQE cũng sử dụng phương pháp hybrid, kết hợp điện toán lượng tử và cổ điển. Máy tính lượng tử chuẩn bị và kiểm tra các trạng thái khả dĩ, trong khi máy tính cổ điển phân tích kết quả và điều chỉnh tham số để cải thiện độ chính xác.

Vì yêu cầu ít qubit hơn và các mạch đơn giản hơn, VQE hoạt động tốt trên các thiết bị NISQ (Lượng tử quy mô trung gian nhiễu) hiện nay. Đây là thế hệ máy tính lượng tử ngày nay, có số lượng qubit hạn chế và chịu ảnh hưởng của nhiễu, nhưng vẫn đủ mạnh cho nghiên cứu và các thử nghiệm thực tiễn ban đầu.

VQE đã trở thành một công cụ thiết yếu trong hóa học lượng tử, khoa học vật liệu và tối ưu hóa quy trình. Nó giúp các nhà nghiên cứu mô hình hóa phân tử, nghiên cứu phản ứng và tìm ra các cấu hình ổn định.

Hình 4. Tổng quan về Bộ giải trị riêng lượng tử biến phân (Nguồn: ResearchGate)

Lập trình nửa xác định lượng tử#

Lập trình nửa xác định (SDP) là một phương pháp toán học được sử dụng để giải quyết các bài toán tối ưu hóa bao gồm các quan hệ tuyến tính giữa các biến. Phương pháp này thường được áp dụng khi mục tiêu là tìm ra kết quả tốt nhất có thể trong khi duy trì một số điều kiện trong phạm vi hợp lệ.

Các thuật toán SDP lượng tử hướng tới việc làm cho những phép tính này nhanh hơn, đặc biệt khi dữ liệu bao gồm nhiều biến hoặc các không gian phức tạp, nhiều chiều. Chúng sử dụng các nguyên lý của điện toán lượng tử để phân tích nhiều khả năng cùng lúc, nhờ đó có thể giải quyết các bài toán quy mô lớn hiệu quả hơn.

Các thuật toán này đang được nghiên cứu trong những lĩnh vực như machine learning, xử lý tín hiệu và hệ thống điều khiển, nơi chúng có thể giúp model nhận diện mẫu, cải thiện dự đoán hoặc quản lý các hệ thống phức tạp. Dù nghiên cứu vẫn đang được tiến hành, SDP lượng tử cho thấy tiềm năng tăng tốc các tác vụ tối ưu hóa nâng cao vốn khó giải quyết trên máy tính cổ điển.

Các ứng dụng của tối ưu hóa lượng tử trong AI#

Mặc dù tối ưu hóa lượng tử vẫn là một lĩnh vực nghiên cứu tích cực, phương pháp này cũng bắt đầu tìm thấy các ứng dụng thực tiễn trong những lĩnh vực như trí tuệ nhân tạo và machine learning. Các nhà nghiên cứu đang tìm hiểu cách những phương pháp lượng tử có thể giúp giải quyết các bài toán phức tạp hiệu quả hơn.

Tiếp theo, chúng ta sẽ xem xét kỹ hơn một số ví dụ và trường hợp sử dụng mới nổi, làm nổi bật tiềm năng của phương pháp này trong các tình huống thực tế.

Tăng tốc quá trình tinh chỉnh model machine learning#

Tối ưu hóa lượng tử đang được nghiên cứu để cải thiện cách tinh chỉnh các model machine learning, đặc biệt trong tối ưu hóa hyperparameter và lựa chọn feature. Những tiến bộ gần đây trong các bộ xử lý nguyên tử trung tính cũng đang mở rộng phạm vi thử nghiệm tối ưu hóa lượng tử trong AI và machine learning.

Các bộ xử lý này sử dụng những nguyên tử riêng lẻ được laser giữ cố định để hoạt động như qubit. Điều này cho phép các nhà nghiên cứu xây dựng những hệ thống lượng tử có khả năng mở rộng và ổn định nhằm kiểm thử các thuật toán phức tạp.

Các ứng dụng trong ngành và điểm nhấn nghiên cứu#

Các công ty công nghệ hàng đầu đã bắt đầu thử nghiệm những ý tưởng này. Ví dụ, nhóm nghiên cứu của Google gần đây đã trình diễn một lợi thế lượng tử sinh, trong đó một bộ xử lý 68 qubit học cách tạo ra các phân phối phức tạp, gợi mở các ứng dụng trong huấn luyện các model sinh.

Tương tự, NVIDIA đang xây dựng cầu nối giữa lượng tử và AI bằng cách tích hợp nghiên cứu lượng tử vào hệ sinh thái siêu máy tính và GPU của mình. Ví dụ, công ty đã ra mắt Trung tâm Nghiên cứu Lượng tử Tăng tốc (NVAQC) để kết hợp phần cứng lượng tử với các hệ thống AI.

Ngoài ra, AWS đã phát triển một workflow hybrid lượng tử và cổ điển trên Amazon Braket, sử dụng các mạch lượng tử cùng với tối ưu hóa cổ điển để tinh chỉnh tham số cho các tác vụ phân loại hình ảnh.

Tối ưu hóa trong logistics, lập lịch và định tuyến#

Một trong những lĩnh vực thực tiễn nhất của tối ưu hóa lượng tử là logistics và lập lịch. Các tác vụ này bao gồm lập kế hoạch tuyến đường, phân công phương tiện và phân bổ tài nguyên.

Một ví dụ điển hình là lập lịch lưới điện, trong đó các đơn vị vận hành phải cân bằng cung và cầu điện theo thời gian thực, đồng thời giảm chi phí và duy trì độ tin cậy. Các nhà nghiên cứu đã sử dụng tối ưu hóa lượng tử để biểu diễn thách thức lập lịch này dưới dạng landscape năng lượng hoặc Hamiltonian.

Tại đây, mục tiêu là tìm trạng thái năng lượng thấp nhất, đại diện cho cấu hình hiệu quả nhất. Ví dụ, các bộ giải lượng tử của D-Wave đã được thử nghiệm cho những bài toán như vậy và cho thấy kết quả nhanh hơn, linh hoạt hơn so với các phương pháp tối ưu hóa truyền thống.

Những ý tưởng tương tự hiện cũng đang được nghiên cứu trong các lĩnh vực như quản lý danh mục đầu tư và lập kế hoạch chuỗi cung ứng. Khi phần cứng được cải thiện, các phương pháp này có thể thay đổi cách hệ thống AI lập kế hoạch và đưa ra quyết định trong các ràng buộc thực tế.

AI và điện toán lượng tử trong khám phá thuốc và thiết kế vật liệu#

Tối ưu hóa lượng tử cũng đang thu hút sự chú ý trong những lĩnh vực mà việc hiểu các tương tác phân tử phức tạp và landscape năng lượng đóng vai trò then chốt. Ví dụ, trong khám phá thuốc và khoa học vật liệu, việc tìm ra các cấu trúc hoặc cấu hình phân tử ổn định nhất là một bài toán tối ưu hóa.

Các thuật toán lượng tử hybrid, chẳng hạn như VQE, đang được sử dụng để tăng tốc những quy trình như dự đoán cấu trúc protein và tìm kiếm cấu dạng phân tử. Các nhà nghiên cứu cũng đang tìm hiểu cách kết hợp điện toán lượng tử và trí tuệ nhân tạo để cải thiện cách model học và trích xuất feature từ dữ liệu.

Khi phần cứng lượng tử tiếp tục phát triển, những phương pháp kết hợp này có thể tạo ra các đột phá lớn trong hóa học, sinh học và nghiên cứu vật liệu, cho phép khám phá nhanh hơn và mô phỏng chính xác hơn ở cấp độ phân tử.

Ưu và nhược điểm của tối ưu hóa lượng tử#

Dưới đây là một số lợi ích của việc sử dụng tối ưu hóa lượng tử:

• Thuật toán lấy cảm hứng từ lượng tử: Ngay cả trước khi máy tính lượng tử quy mô lớn trở nên khả dụng, các nhà nghiên cứu đã sử dụng những phương pháp tối ưu hóa lấy cảm hứng từ lượng tử trên các hệ thống cổ điển. Bằng cách mô phỏng các chiến lược lượng tử, những phương pháp này có thể mang lại hiệu năng nhanh hơn cho một số loại bài toán cụ thể.
• Phần cứng cải tiến và bộ giải hybrid: Sự phát triển của các bộ xử lý lượng tử mới và bộ giải hybrid trên cloud đang giúp kết hợp điện toán lượng tử với điện toán cổ điển. Điều này cho phép kiểm thử và thử nghiệm thực tiễn ngay hôm nay, ngay cả với phần cứng ở giai đoạn đầu.
• Tiến bộ nghiên cứu hợp tác: IBM Quantum, Qiskit và các cộng đồng nghiên cứu mở khác đang tích cực phát triển thuật toán, toolkit và tài nguyên giáo dục, giúp tối ưu hóa lượng tử trở nên dễ tiếp cận hơn.

Mặc dù nghiên cứu lượng tử đang tiến triển nhanh chóng, vẫn còn một số thách thức cản trở việc áp dụng trên quy mô lớn. Dưới đây là những hạn chế chính cần xem xét:

• Hạn chế phần cứng: Máy tính lượng tử hiện nay có số lượng qubit hạn chế và rất nhạy với nhiễu, mất kết hợp lượng tử và lỗi vận hành. Những yếu tố này làm giảm độ chính xác và độ tin cậy của kết quả, gây khó khăn cho việc mở rộng hệ thống để xử lý các tác vụ tối ưu hóa phức tạp.
• Hạn chế của mô phỏng cổ điển: Việc mô phỏng các hệ thống lượng tử lớn trên máy tính cổ điển cực kỳ tốn kém vì tài nguyên tính toán cần thiết tăng theo cấp số mũ với số lượng qubit. Điều này khiến việc kiểm thử và xác thực các thuật toán lượng tử quy mô lớn trở nên khó khăn.
• Thiếu tiêu chuẩn benchmark: Nghiên cứu tối ưu hóa lượng tử vẫn thiếu các benchmark nhất quán để so sánh thuật toán và hiệu năng phần cứng. Mặc dù các nỗ lực xây dựng phương pháp đánh giá tiêu chuẩn hóa đang được triển khai, hiện vẫn chưa có framework chung để đo lường mức cải thiện hiệu năng trong thực tế.

Những điểm chính#

Tối ưu hóa lượng tử đang định hình lại cách chúng ta tư duy về việc giải quyết vấn đề trong trí tuệ nhân tạo, khoa học và công nghiệp. Bằng cách kết hợp sức mạnh của điện toán lượng tử với các phương pháp cổ điển, các nhà nghiên cứu đang tìm ra những cách mới để xử lý độ phức tạp và tăng tốc quá trình khám phá. Khi phần cứng được cải thiện và thuật toán trưởng thành, tối ưu hóa lượng tử có thể trở thành động lực chính cho thế hệ công nghệ thông minh tiếp theo.

Hãy xem repository GitHub của chúng tôi để khám phá thêm về AI. Tham gia cộng đồng năng động của chúng tôi và khám phá những đổi mới trong các lĩnh vực như AI trong ngành bán lẻ và Vision AI trong sản xuất. Để bắt đầu với computer vision ngay hôm nay, hãy xem các tùy chọn cấp phép.