Vượt ngoài mô hình ngôn ngữ: Vì sao Jensen Huang nối nghiên cứu AI mở với sinh học, thời tiết và tương lai điện toán
Mở đầu: Mất gì khi chỉ coi AI là chatbot?
Hệ thống hội thoại khiến trí tuệ nhân tạo [AI] dễ nhận biết. Người dùng có thể gõ câu hỏi và đọc câu trả lời. Tuy nhiên, ngôn ngữ chỉ là một cách biểu diễn thế giới.
Sinh học, hóa học, thời tiết và hệ thống vật lý chứa thông tin không thể quy về cuộc trò chuyện thông thường. Lập luận của ông Jensen Huang về nghiên cứu AI mở nối cơ hội khoa học rộng hơn này với bài toán điện toán thực tế: nhà thiết kế phần cứng cần hiểu mô hình tương lai sẽ yêu cầu hệ thống làm gì.
Lập luận có nhiều phần. Công việc mở có thể hỗ trợ nghiên cứu, mở rộng sự tham gia và giúp ngành điện toán học được nơi nào kiến trúc [Architecture] của chính mình cần thay đổi.
1. Xây mô hình dạy công ty điện toán biết cần xây gì
Công ty thiết kế hạ tầng AI không thể chỉ dựa vào yêu cầu của mô hình hôm qua. Công ty cần trải nghiệm trực tiếp với công việc có thể định hình hệ thống ngày mai.
Nghiên cứu kiến trúc mô hình [Model Architecture] tạo ra trải nghiệm đó. Những cách tiếp cận khác nhau có thể đặt yêu cầu khác nhau lên bộ nhớ, di chuyển dữ liệu, bộ xử lý và kết nối giữa chúng.
Ông Huang nối nghiên cứu mô hình của NVIDIA với chiến lược đồng thiết kế [Co-design] rộng hơn. Làm việc với mô hình cung cấp một cách khác để hiểu hệ thống chúng cần.
Điều này khiến nghiên cứu có giá trị ngay cả khi công ty không muốn trở thành bên cung cấp ứng dụng cuối cùng trong mọi lĩnh vực. Kiến thức thu được có thể định hướng nền tảng điện toán [Computing Platform] mà người khác sử dụng.
2. Tính mở cho nhiều người hơn không gian thử nghiệm
Nếu mọi mô hình hữu ích chỉ có dưới dạng dịch vụ độc quyền [Proprietary Service] hoàn chỉnh, nhà nghiên cứu và tổ chức nhỏ sẽ ít tự do hơn để kiểm tra, điều chỉnh và xây dựng trên đó.
Mô hình mở [Open Models] có thể tạo lối khác. Nhà nghiên cứu có thể thử một cách tiếp cận, nghiên cứu hành vi và tìm ứng dụng không phải ưu tiên của bên phát triển ban đầu.
Cơ hội này quan trọng trong nhiều ngành và quốc gia. Phòng thí nghiệm đại học, nhóm kỹ thuật và nhóm khoa học chuyên môn có thể cần hình thức tiếp cận khác nhau, nhưng mỗi bên đều hưởng lợi từ không gian tự làm việc.
Tính mở không hứa mọi thí nghiệm thành công. Nó mở rộng khả năng học hỏi và đóng góp mà không yêu cầu ai cũng bắt đầu từ con số không.
3. Từ "mở" cần nghĩa chính xác
Trọng số mô hình [Model Weights], mã huấn luyện [Training Code], dữ liệu dùng huấn luyện và phương pháp chuẩn bị dữ liệu là những thứ khác nhau.
Công bố một thứ không tự động công bố các thứ còn lại. Bản phát hành trọng số mở [Open-weight Release] có thể hữu ích mà không cung cấp mọi thứ cần để tái tạo quá trình huấn luyện gốc.
Với người chọn mô hình, câu hỏi thực tế là bản phát hành thực sự cho phép gì. Nhóm có thể kiểm tra, sửa đổi, triển khai cho mục đích dự định và hiểu giới hạn không?
Bài học là nhìn vượt nhãn gọi. Mức độ mở hữu ích phụ thuộc vào tài liệu được cung cấp và điều kiện kèm theo.
4. AI khoa học cần biểu diễn vượt ngoài ngôn ngữ thông thường
Mô hình thời tiết làm việc với hành vi của hệ vật lý. Nghiên cứu sinh học quan tâm cấu trúc và tương tác. Robot học [Robotics] nối nhận thức và hành động với môi trường thay đổi.
Ngôn ngữ có thể giúp con người mô tả vấn đề, nhưng thông tin và quan hệ cơ bản có thể cần biểu diễn khác. Vì thế, tiến bộ phụ thuộc vào nhiều hơn cải thiện kỹ năng hội thoại của mô hình ngôn ngữ lớn [Large Language Model].
Tầm nhìn rộng hơn của ông Huang dành chỗ cho mô hình chuyên biệt trong hệ thống lớn hơn. Một tác nhân [Agent] có thể dùng mô hình khoa học như một công cụ, thay vì cố trả lời mọi câu hỏi chỉ bằng ngôn ngữ.
Đây là chuyển trọng tâm hữu ích. Mục tiêu trở thành tiếp cận đúng năng lực cho nhiệm vụ, thay vì chờ một mô hình chứa mọi năng lực.
5. Nền tảng có thể hỗ trợ ngành mà nó không định thay thế
Công ty điện toán không cần chế tạo chiếc xe cuối cùng, khám phá loại thuốc cuối cùng hoặc điều hành mọi tổ chức khoa học để đóng góp cho các lĩnh vực đó.
Công ty có thể cung cấp mô hình, công cụ và hạ tầng giúp chuyên gia làm việc của mình. Chuyên gia mang đến kiến thức chuyên ngành [Domain Knowledge], thí nghiệm và ràng buộc thực tiễn mà nền tảng tổng quát không thể tự cung cấp.
Phân công này cũng giải thích vì sao nghiên cứu mở và sản phẩm thương mại có thể cùng tồn tại. Ứng dụng độc quyền có thể phục vụ một mục đích trong khi nền tảng nghiên cứu chia sẻ hỗ trợ cộng đồng rộng hơn.
Ranh giới phải rõ. Tiếp cận mô hình là điểm bắt đầu, không phải bằng chứng nó sẵn sàng cho quyết định khoa học hay vận hành.
Kết luận: Nền tảng tiếp theo phải có chỗ cho các dạng trí thông minh khác nhau
Lập luận nghiên cứu AI mở của ông Huang rộng hơn phát hành thêm một chatbot. Nó nối thiết kế điện toán với khám phá khoa học và khả năng xây dựng của người khác.
Cơ hội nằm ở kết hợp công cụ tổng quát với kiến thức chuyên biệt, đồng thời nói chính xác điều gì mở và điều gì vẫn là trách nhiệm đánh giá của người dùng.
AI hữu ích hơn khi nền tảng của nó hỗ trợ được các loại công việc khác nhau. Ngôn ngữ là giao diện [Interface] quan trọng với tương lai ấy. Nó không phải toàn bộ tương lai.
Powered By K7