AI tạo sinh đang thay đổi hướng phát triển của thị giác máy tính

AI tạo sinh là một nhánh của trí tuệ nhân tạo (AI), có khả năng tạo nội dung mới như hình ảnh, văn bản hoặc âm thanh bằng cách học các quy luật từ dữ liệu hiện có. Nhờ những tiến bộ gần đây, AI tạo sinh hiện có thể tạo nội dung chân thực đến mức thường mô phỏng được khả năng sáng tạo của con người.

Tuy nhiên, tác động của AI tạo sinh không chỉ giới hạn ở việc tạo nội dung. Khi các model computer vision thời gian thực như model Ultralytics YOLO tiếp tục phát triển, AI tạo sinh cũng đang định nghĩa lại cách xử lý và tăng cường dữ liệu hình ảnh, mở đường cho các ứng dụng đổi mới trong những tình huống thực tế.

Sự chuyển dịch công nghệ mới này là chủ đề thảo luận thú vị tại YOLO Vision 2024 (YV24), sự kiện kết hợp trực tiếp và trực tuyến thường niên do Ultralytics tổ chức. YV24 quy tụ những người đam mê AI và các lãnh đạo trong ngành để thảo luận về những đột phá mới nhất trong thị giác máy tính. Sự kiện tập trung vào đổi mới, hiệu quả và tương lai của các giải pháp AI thời gian thực.

Một trong những điểm nhấn chính của sự kiện là buổi tọa đàm về YOLO trong kỷ nguyên AI tạo sinh. Buổi tọa đàm có sự tham gia của Glenn Jocher, Nhà sáng lập kiêm CEO của Ultralytics, Jing Qiu, Kỹ sư Machine Learning cấp cao tại Ultralytics, và Ao Wang đến từ Đại học Thanh Hoa. Họ cùng tìm hiểu ảnh hưởng của AI tạo sinh đối với computer vision và những thách thức khi xây dựng các model AI thực tiễn.

Trong bài viết này, chúng ta sẽ điểm lại những thông tin chính từ cuộc thảo luận và tìm hiểu kỹ hơn cách AI tạo sinh đang chuyển đổi Vision AI.

Phát triển các model Ultralytics YOLO#

Bên cạnh Glenn Jocher, nhiều kỹ sư tài năng đã đóng vai trò quan trọng trong việc phát triển các model Ultralytics YOLO. Một trong số đó, Jing Qiu, kể lại khởi đầu bất ngờ của mình với YOLO. Anh giải thích rằng niềm đam mê AI bắt đầu từ những năm đại học. Anh dành nhiều thời gian khám phá và tìm hiểu lĩnh vực này. Jing Qiu nhớ lại cách anh kết nối với Glenn Jocher trên GitHub và tham gia nhiều dự án AI.

Bổ sung cho chia sẻ của Jing Qiu, Glenn Jocher mô tả GitHub là "một cách chia sẻ tuyệt vời — nơi những người chưa từng gặp nhau cùng giúp đỡ lẫn nhau và đóng góp vào công việc của nhau. Đây là một cộng đồng tuyệt vời và cũng là cách rất hay để bắt đầu với AI."

Hình 1. Glenn Jocher và Jing Qiu phát biểu trên sân khấu tại YV24.

Sự quan tâm của Jing Qiu dành cho AI và công việc của anh với Ultralytics YOLOv5 đã góp phần tinh chỉnh model. Sau đó, anh đóng vai trò quan trọng trong quá trình phát triển Ultralytics YOLOv8, phiên bản mang đến nhiều cải tiến hơn. Anh mô tả đó là một hành trình tuyệt vời. Hiện nay, Jing Qiu tiếp tục cải tiến và phát triển các model như Ultralytics YOLO11.

YOLOv10: Tối ưu cho hiệu năng thực tế#

Tham gia buổi tọa đàm từ xa từ Trung Quốc, Ao Wang giới thiệu mình là nghiên cứu sinh tiến sĩ. Ban đầu, anh học kỹ thuật phần mềm, nhưng niềm đam mê AI đã dẫn anh chuyển hướng sang computer vision và deep learning.

Lần đầu tiên anh tiếp xúc với model YOLO nổi tiếng là khi thử nghiệm nhiều kỹ thuật và model AI khác nhau. Tốc độ và độ chính xác của model khiến anh ấn tượng, từ đó thúc đẩy anh tìm hiểu sâu hơn về các tác vụ thị giác máy tính như phát hiện đối tượng. Gần đây, Ao Wang đã đóng góp cho YOLOv10, một phiên bản mới của model YOLO. Nghiên cứu của anh tập trung vào việc tối ưu model để model nhanh và chính xác hơn.

Khác biệt then chốt giữa AI tạo sinh và Vision AI#

Sau đó, buổi tọa đàm chuyển sang thảo luận về AI tạo sinh, và Jing Qiu chỉ ra rằng AI tạo sinh và Vision AI có mục đích rất khác nhau. AI tạo sinh tạo ra nội dung như văn bản, hình ảnh và video, trong khi Vision AI phân tích những gì đã tồn tại, chủ yếu là hình ảnh.

Glenn Jocher cũng nhấn mạnh rằng quy mô là một khác biệt lớn. Các model AI tạo sinh rất lớn, thường chứa hàng tỷ tham số — những thiết lập nội bộ giúp model học từ dữ liệu. Model computer vision nhỏ hơn nhiều. Anh cho biết: “Model YOLO nhỏ nhất của chúng tôi nhỏ hơn khoảng một nghìn lần so với LLM nhỏ nhất [Mô hình ngôn ngữ lớn]. Nghĩa là 3 triệu tham số so với 3 tỷ.”

Hình 2. Buổi thảo luận của hội thảo về AI tạo sinh và Vision AI tại YV24.

Jing Qiu bổ sung rằng quy trình huấn luyện và triển khai AI tạo sinh cũng rất khác với computer vision. AI tạo sinh cần các máy chủ mạnh, quy mô lớn để vận hành. Ngược lại, các model như YOLO được thiết kế để hoạt động hiệu quả và có thể được huấn luyện, triển khai trên phần cứng tiêu chuẩn. Điều đó giúp các model Ultralytics YOLO thiết thực hơn khi ứng dụng vào thực tế.

Dù khác nhau, hai lĩnh vực này đang bắt đầu giao thoa. Glenn Jocher giải thích thêm rằng AI tạo sinh đang mang đến những tiến bộ mới cho Vision AI, giúp các model thông minh và hiệu quả hơn.

Tác động của AI tạo sinh đối với computer vision#

AI tạo sinh phát triển nhanh chóng, và những đột phá này đang ảnh hưởng đến nhiều lĩnh vực khác của trí tuệ nhân tạo, bao gồm computer vision. Tiếp theo, hãy cùng điểm qua một số thông tin thú vị mà các diễn giả chia sẻ về chủ đề này.

Tiến bộ phần cứng thúc đẩy đổi mới AI#

Ngay từ đầu buổi tọa đàm, Glenn Jocher giải thích rằng các ý tưởng về machine learning đã xuất hiện từ lâu, nhưng máy tính chưa đủ mạnh để biến chúng thành hiện thực. Các ý tưởng AI cần phần cứng mạnh hơn để có thể được triển khai.

Sự phổ biến của GPU (bộ xử lý đồ họa) trong 20 năm qua, với khả năng xử lý song song, đã thay đổi mọi thứ. GPU giúp huấn luyện model AI nhanh và hiệu quả hơn nhiều, tạo điều kiện cho deep learning phát triển nhanh chóng.

Ngày nay, các chip AI như TPU (bộ xử lý tensor) và GPU được tối ưu hóa tiêu thụ ít điện năng hơn trong khi xử lý các model lớn và phức tạp hơn. Điều này giúp AI dễ tiếp cận hơn và hữu ích hơn trong các ứng dụng thực tế.

Mỗi cải tiến phần cứng mới đều giúp các ứng dụng AI tạo sinh và computer vision trở nên mạnh mẽ hơn. Những tiến bộ này khiến AI thời gian thực nhanh hơn, hiệu quả hơn và sẵn sàng ứng dụng trong nhiều ngành hơn.

AI tạo sinh đang định hình các model phát hiện đối tượng như thế nào#

Khi được hỏi AI tạo sinh ảnh hưởng đến computer vision ra sao, Jing Qiu cho biết transformer — các model giúp AI tập trung vào những phần quan trọng nhất của hình ảnh — đã thay đổi cách AI hiểu và xử lý hình ảnh. Bước tiến lớn đầu tiên là DETR (Detection Transformer), ứng dụng phương pháp mới này vào phát hiện đối tượng. Phương pháp này cải thiện độ chính xác nhưng gặp vấn đề về hiệu năng, khiến tốc độ chậm hơn trong một số trường hợp.

Để giải quyết vấn đề này, các nhà nghiên cứu đã tạo ra những model lai như RT-DETR. Các model này kết hợp mạng nơ-ron tích chập (CNN, các model deep learning tự động học và trích xuất đặc trưng từ hình ảnh) với Transformer, cân bằng giữa tốc độ và độ chính xác. Cách tiếp cận này tận dụng ưu điểm của Transformer đồng thời tăng tốc độ phát hiện đối tượng.

Đáng chú ý, YOLOv10 sử dụng các lớp attention dựa trên Transformer (các thành phần của model hoạt động như đèn chiếu, làm nổi bật những vùng quan trọng nhất trong ảnh đồng thời bỏ qua các chi tiết ít liên quan) để nâng cao hiệu năng.

Ao Wang cũng đề cập đến cách AI tạo sinh đang thay đổi phương pháp huấn luyện model. Các kỹ thuật như mô hình hóa ảnh bị che giúp AI học từ hình ảnh hiệu quả hơn, giảm nhu cầu sử dụng dataset lớn được gán nhãn thủ công. Nhờ đó, quá trình huấn luyện computer vision nhanh hơn và ít tốn tài nguyên hơn.

Tương lai của AI tạo sinh và Vision AI#

Một ý tưởng quan trọng khác được thảo luận trong buổi tọa đàm là cách AI tạo sinh và Vision AI có thể kết hợp để xây dựng các model có năng lực cao hơn. Glenn Jocher giải thích rằng dù hai phương pháp này có thế mạnh khác nhau, việc kết hợp chúng có thể mở ra những khả năng mới.

Chẳng hạn, các model AI thị giác như YOLO thường chia ảnh thành một lưới để nhận diện đối tượng. Phương pháp dựa trên lưới này có thể giúp model ngôn ngữ cải thiện khả năng xác định chi tiết và mô tả chúng — một thách thức mà nhiều model ngôn ngữ hiện nay gặp phải. Về bản chất, việc kết hợp các kỹ thuật này có thể tạo ra những hệ thống phát hiện chính xác và giải thích rõ ràng những gì chúng nhìn thấy. Một số model thị giác-ngôn ngữ đã có thể làm cả hai, và bảng xếp hạng VLM theo dõi khả năng phát hiện đối tượng của chúng.

Hình 3. Tương lai của AI tạo sinh và Vision AI. Hình ảnh do tác giả thực hiện.

Điểm chính cần ghi nhớ#

AI tạo sinh và thị giác máy tính đang cùng phát triển. AI tạo sinh không chỉ tạo hình ảnh và video mà còn cải thiện việc phân tích hình ảnh và video bằng cách đưa ra những ý tưởng mới, có thể giúp các model AI thị giác chính xác và hiệu quả hơn.

Trong buổi tọa đàm YV24 này, Glenn Jocher, Jing Qiu và Ao Wang đã chia sẻ suy nghĩ về cách những công nghệ này định hình tương lai. Với phần cứng AI tốt hơn, AI tạo sinh và AI thị giác sẽ tiếp tục phát triển, mang đến nhiều đổi mới hơn nữa. Hai lĩnh vực này đang phối hợp để tạo ra AI thông minh hơn, nhanh hơn và hữu ích hơn trong cuộc sống hằng ngày.

Tham gia cộng đồng của chúng tôi và khám phá kho GitHub để tìm hiểu thêm về Vision AI. Xem các tùy chọn cấp phép để bắt đầu các dự án thị giác máy tính của bạn. Bạn quan tâm đến những đổi mới như AI trong sản xuất hay thị giác máy tính trong xe tự lái? Truy cập các trang giải pháp của chúng tôi để khám phá thêm.