Frontier AI Models

Các mô hình AI biên là các mô hình đa năng có năng lực cao, đạt hoặc vượt trội hơn khả năng của các hệ thống AI tiên tiến nhất hiện có tại một thời điểm nhất định. Các mô hình này có thể thực hiện nhiều tác vụ—bao gồm viết văn bản, lập trình, suy luận, hiểu hình ảnh và sử dụng công cụ—thay vì chỉ giải quyết một vấn đề được định nghĩa hẹp. "Biên" là một ranh giới dịch chuyển, không phải là một danh mục mô hình cố định: khi năng lực AI cải thiện, các hệ thống biên của ngày hôm qua sẽ trở thành các mô hình sản xuất thông thường.

Điều gì làm cho một mô hình AI trở thành mô hình biên?#

Không có một tiêu chuẩn đánh giá phổ quát hoặc số lượng tham số đơn lẻ nào biến một mô hình thành mô hình biên. Thuật ngữ này thường kết hợp một số đặc điểm:

• Năng lực rộng: Mô hình hoạt động tốt trên nhiều miền và có thể thích ứng với các tác vụ chưa quen thuộc thông qua hướng dẫn hoặc ví dụ.
• Hiệu năng dẫn đầu: Các năng lực của mô hình tiệm cận hoặc thúc đẩy trạng thái tiên tiến hiện tại của công nghệ.
• Quy mô và tính linh hoạt: Mô hình có thể xử lý nhiều loại dữ liệu, sử dụng công cụ hoặc hỗ trợ nhiều ứng dụng hạ nguồn.
• Tác động tiềm năng: Việc triển khai rộng rãi, các năng lực tiên tiến hoặc sự tích hợp vào các quy trình cốt lõi có thể tạo ra lợi ích và rủi ro ở quy mô đáng kể.

Định nghĩa AI biên của chính phủ Vương quốc Anh nhấn mạnh các hệ thống đa năng có năng lực cao đạt hoặc vượt trội các mô hình tiên tiến nhất. Ranh giới này vẫn mang tính tương đối vì các phương pháp đánh giá, bối cảnh triển khai và năng lực của các hệ thống cạnh tranh liên tục thay đổi.

Liên minh Châu Âu sử dụng danh mục pháp lý có liên quan về mô hình AI đa năng có rủi ro hệ thống. Danh mục này xem xét các năng lực tiên tiến và tác động tiềm năng quy mô lớn, minh họa lý do tại sao năng lực tính toán đơn thuần không thể mô tả đầy đủ trạng thái biên.

Các thuật ngữ liên quan và điểm khác biệt chính#

Một mô hình biên thường là một mô hình nền tảng, có nghĩa là mô hình đó được huấn luyện trên phạm vi rộng và có thể được thích ứng cho nhiều ứng dụng. Tuy nhiên, hầu hết các mô hình nền tảng không phải là mô hình biên; chỉ những mô hình nằm gần ranh giới năng lực hàng đầu mới thường nhận được nhãn đó.

Các thuật ngữ có liên quan khác bao gồm:

• Một mô hình ngôn ngữ lớn chủ yếu xử lý và tạo ra ngôn ngữ. Mô hình này có thể đạt cấp độ biên, nhưng nhiều mô hình ngôn ngữ nhỏ hơn hoặc cũ hơn thì không.
• Một mô hình đa phương thức xử lý các tổ hợp văn bản, hình ảnh, âm thanh hoặc video. Tính đa phương thức mở rộng các tác vụ có thể nhưng không tự động đồng nghĩa với hiệu năng biên.
• Trí tuệ nhân tạo tổng quát mô tả một cấp độ giả định về trí tuệ mang tính con người hoặc vượt trội hơn con người. Các mô hình biên đại diện cho các hệ thống hàng đầu hiện nay, chứ không phải là bằng chứng cho thấy trí tuệ nhân tạo tổng quát đã đạt được.
• Một tác nhân AI là một hệ thống sử dụng một mô hình để lên kế hoạch, gọi các công cụ và thực hiện hành động. Tác nhân là ứng dụng hoàn chỉnh; mô hình biên có thể chỉ là một thành phần bên trong tác nhân đó.

Một mô hình chuyên biệt có thể đạt độ chính xác cao mà không cần phải là AI biên. Ví dụ, Ultralytics YOLO26 được thiết kế cho các tác vụ thị giác máy tính hiệu quả thay vì suy luận đa năng không bị giới hạn.

Các ứng dụng trong thực tế#

Hai ứng dụng cụ thể cho thấy lý do tại sao sự khác biệt này quan trọng:

• Hỗ trợ doanh nghiệp đa phương thức: Một mô hình biên có thể đọc các báo cáo bảo trì, kiểm tra các bức ảnh thiết bị, truy xuất các quy trình vận hành và phác thảo một phản hồi được khuyến nghị. Tính tổng quát của mô hình biên cho phép một giao diện hỗ trợ nhiều bộ phận. Tuy nhiên, các diễn giải trực quan không chính xác hoặc các hướng dẫn bịa đặt có thể làm gián đoạn hoạt động, vì vậy bằng chứng được truy xuất và sự phê duyệt của con người vẫn rất quan trọng.

• Robot và tự động hóa công nghiệp: Một robot nhà kho có thể sử dụng một mô hình biên để diễn giải một yêu cầu bằng ngôn ngữ tự nhiên và lập kế hoạch cho một chuỗi hành động. Sau đó, một mô hình thị giác chuyên biệt có thể phát hiện công nhân, pallet hoặc vật cản trong các khung hình camera. Thiết kế kết hợp này hợp nhất suy luận linh hoạt với khả năng nhận thức nhanh, chuyên biệt cho tác vụ thay vì yêu cầu một mô hình lớn duy nhất thực hiện mọi thao tác.

Công việc đánh giá biên của Viện An ninh AI chứng minh lý do tại sao các năng lực phải được đo lường trên nhiều miền thay vì ngoại suy từ một điểm số duy nhất.

Rủi ro, Đánh giá và Quản trị#

Các hệ thống biên có thể khuếch đại các vấn đề quen thuộc của AI, bao gồm hiện tượng ảo giác, sai lệch, rò rỉ quyền riêng tư, tấn công tiêm nhiễm lời nhắc và suy luận không đáng tin cậy. Quyền truy cập công cụ mang lại các hệ quả bổ sung: một phản hồi không chính xác trở nên nghiêm trọng hơn khi một mô hình có thể thực thi mã, sửa đổi bản ghi hoặc điều khiển thiết bị vật lý.

Các tổ chức có thể cấu trúc việc quản lý rủi ro xoay quanh Khung Quản lý Rủi ro AI của NIST và các thực tiễn lấy con người làm trung tâm, minh bạch, mạnh mẽ và có trách nhiệm được mô tả bởi Nguyên tắc AI của OECD. Các nhóm bảo mật cũng có thể sử dụng Dự án Bảo mật GenAI của OWASP để xác định các mối đe dọa ở cấp độ ứng dụng.

Các biện pháp kiểm soát thực tế bao gồm đánh giá năng lực, kiểm thử đối kháng, quyền công cụ bị hạn chế, đánh giá của con người đối với các hành động có tác động cao, lưu trữ trọng số mô hình an toàn, quy trình hoàn tác và giám sát liên tục. Các Cam kết An toàn AI Biên nhấn mạnh các ngưỡng rủi ro, kiểm thử đối kháng đỏ, tính bảo mật và tính minh bạch. Đối với phương tiện truyền thông được tạo ra, Thông tin Xác thực Nội dung C2PA có thể cung cấp thông tin nguồn gốc có thể phát hiện dấu vết giả mạo.

Ngữ cảnh Thị giác Máy tính Thực tế#

Các mô hình biên không phải lúc nào cũng là lựa chọn tốt nhất cho nhận thức nhạy cảm với độ trễ. Một hệ thống thực tế có thể ủy quyền phát hiện trực quan cho một mô hình nhỏ hơn:

from ultralytics import YOLO

# Load a specialized computer vision model.
model = YOLO("yolo26n.pt")
source = "https://ultralytics.com/images/bus.jpg"

# Run inference and select the first result.
results = model(source)
result = results[0]

print(f"Detected objects: {len(result.boxes)}")
result.save(filename="frontier_ai_perception.jpg")

Quy trình dự đoán YOLO được tài liệu hóa này minh họa thiết kế AI dạng mô-đun: một mô hình đa năng có thể điều phối ứng dụng, trong khi YOLO cung cấp khả năng nhận thức hiệu quả. Các nhóm có thể sử dụng Nền tảng Ultralytics để gán nhãn dữ liệu, huấn luyện, triển khai và quản lý các thành phần thị giác này, sau đó tuân theo các thực tiễn giám sát và bảo trì mô hình đã thiết lập khi dữ liệu thực tế thay đổi.