Xu hướng Công nghệTin tức

Khám phá những đổi mới công nghệ mới nhất, nâng cấp giao thức, giải pháp cross-chain và cơ chế bảo mật trong lĩnh vực blockchain. Cung cấp góc nhìn tập trung vào nhà phát triển để phân tích xu hướng công nghệ mới nổi và đột phá tiềm năng.

Chạy MoE trên điện thoại? Meta đề xuất MobileMoE, iPhone 16 Pro tăng tốc đến 3.8 lần

Trong những năm gần đây, Mô hình Chuyên gia Hỗn hợp (MoE) đã được sử dụng rộng rãi cho các mô hình lớn trên đám mây. Tuy nhiên, trên điện thoại, Kiến trúc Ngôn ngữ Lớn (LLM) vẫn chủ yếu sử dụng kiến trúc dày đặc. Meta đã đề xuất MobileMoE, lần đầu tiên triển khai suy luận MoE hiệu quả trên điện thoại thông minh thương mại. Kết quả cho thấy, trên 14 bài kiểm tra cơ bản, MobileMoE-S/M đạt độ chính xác trung bình tương đương hoặc cao hơn với chỉ 1/2 đến 1/4 lượng tính toán suy luận so với mô hình dày đặc cơ sở, trong khi sử dụng bộ nhớ tương tự. Trong thử nghiệm thực tế, MobileMoE-S trên iPhone 16 Pro (backend GPU/MLX) tăng tốc độ đáng kể, tăng tốc lên đến 3.8 lần trong giai đoạn đầu vào. MobileMoE là một loại mô hình ngôn ngữ MoE được thiết kế cho triển khai trên thiết bị đầu cuối, thay thế các lớp feed-forward dày đặc bằng các lớp MoE trong kiến trúc Transformer decoder-only. Quy trình đào tạo bao gồm bốn giai đoạn: tiền đào tạo, đào tạo trung gian, tinh chỉnh có giám sát và đào tạo nhận thức lượng tử hóa. Các thí nghiệm cho thấy cấu hình tối ưu sử dụng 8 chuyên gia (E=8), độ hạt chuyên gia 8 (g=8), với một chuyên gia được chia sẻ. MobileMoE thiết lập một biên giới Pareto mới cho LLM trên thiết bị đầu cuối, cân bằng tốt hơn giữa độ chính xác và chi phí suy luận. Sau khi lượng tử hóa INT4, mô hình vẫn duy trì tính cạnh tranh. Khi triển khai trên Samsung Galaxy S25 và iPhone 16 Pro, MobileMoE-S cho thấy tốc độ nhanh hơn đáng kể và mức sử dụng bộ nhớ thấp hơn so với các mô hình so sánh. Hướng phát triển trong tương lai bao gồm củng cố quá trình hậu đào tạo, mở rộng đa phương thức và tối ưu hóa việc triển khai trên NPU di động để tiếp tục cải thiện hiệu quả.

marsbit06/01 06:11

Chạy MoE trên điện thoại? Meta đề xuất MobileMoE, iPhone 16 Pro tăng tốc đến 3.8 lần

marsbit06/01 06:11

NVIDIA ra mắt nền tảng DSX, tiếp tục tiến sâu vào hạ tầng "nhà máy AI"

NVIDIA đã ra mắt nền tảng NVIDIA DSX tại hội nghị GTC Taipei ở Đài Bắc, Trung Quốc, mở rộng hoạt động kinh doanh sang lĩnh vực cơ sở hạ tầng nhà máy AI. Thay vì chỉ tập trung vào bán GPU, DSX hướng đến cung cấp giải pháp toàn diện từ thiết kế, mô phỏng, triển khai đến vận hành quản lý cho nhà máy AI. Khi quy mô mô hình AI ngày càng lớn, các thách thức của trung tâm dữ liệu không chỉ là hiệu suất chip mà còn liên quan đến nguồn điện, khả năng tản nhiệt, điều phối tài nguyên và hiệu quả vận hành tổng thể. NVIDIA cho rằng chỉ số cạnh tranh then chốt trong ngành AI sẽ dần chuyển từ hiệu suất chip đơn lẻ sang hiệu quả tổng thể của cơ sở hạ tầng. Nền tảng DSX tích hợp chip, hệ thống, phần mềm, kiến trúc tham chiếu và công nghệ đối tác của NVIDIA, bao phủ toàn bộ vòng đời xây dựng và vận hành nhà máy AI. Thông qua việc thống nhất các chồng công nghệ như tính toán, phần mềm và cơ sở vật chất, nền tảng giúp khách hàng nâng cao tốc độ triển khai, độ tin cậy, hiệu quả vận hành và giảm chi phí tạo Token trong quá trình suy luận AI. Hệ thống phần mềm chính bao gồm DSX MaxLPS và DSX OS. DSX MaxLPS sử dụng công nghệ làm mát bằng chất lỏng 45 độ C và tối ưu hóa công suất cấp máy để cải thiện sản lượng Token trên mỗi megawatt. DSX OS là nền tảng phần mềm mã nguồn mở cho vận hành nhà máy AI, hỗ trợ quản lý vòng đời, điều phối thông minh, tự động hóa tình trạng sức khỏe, vận hành đa tenant và dịch vụ nền tảng. DSX còn tích hợp nhiều khả năng hiện có như DSX Reference Design, DSX Sim, DSX Flex và DSX Exchange. Về triển khai thương mại, một số nhà cung cấp dịch vụ đám mây như CoreWeave, Crusoe, IREN và Lambda đã triển khai các thành phần cốt lõi của DSX. Nhiều nhà sản xuất phần cứng cũng đang phát triển hệ thống sẵn sàng cho NVIDIA DSX. Về mặt chiến lược, DSX đánh dấu việc NVIDIA tiếp tục chuyển đổi từ nhà cung cấp chip AI sang nhà cung cấp nền tảng cơ sở hạ tầng AI, với mục tiêu thiết lập tiêu chuẩn ngành bao phủ toàn bộ vòng đời nhà máy AI và củng cố vị thế dẫn đầu trên thị trường cơ sở hạ tầng AI toàn cầu.

marsbit06/01 04:28

NVIDIA ra mắt nền tảng DSX, tiếp tục tiến sâu vào hạ tầng "nhà máy AI"

marsbit06/01 04:28

"Công ty một người" bùng nổ: Người kiếm trăm triệu mỗi năm, kẻ thu nhập co lại 90%

"Mô hình 'công ty một người' (One Person Company - OPC) đang trở thành xu hướng trong thời đại AI, cho phép cá nhân khởi nghiệp độc lập với chi phí thấp. Năm 2026 được coi là năm khởi đầu, với hơn 16 triệu OPC tại Trung Quốc. Tuy nhiên, thành công không phải là điều đảm bảo, với hơn 52% có thu nhập dưới 7.000 tệ/tháng. Bài viết chia sẻ câu chuyện của bốn nhà sáng lập: • **Anh Zhang (lĩnh vực game):** Phát triển 6 game tương tác bullet chat (đạn màn hình) trong một năm, doanh thu ~200 triệu tệ, thu nhập cá nhân 80-100 triệu tệ. AI đảm nhận ~70% công việc đồ họa và hỗ trợ viết code, giúp giảm chi phí sản xuất từ 2 triệu tệ xuống còn 1.000-1.500 tệ/game và rút ngắn chu kỳ phát triển từ 2-4 tháng xuống còn 15 ngày. • **Chị October (nghiên cứu vật liệu tại Nhật Bản):** Thu nhập gấp ~3 lần mức lương văn phòng trung bình, đạt ~150 triệu yên/năm. AI được sử dụng cho mọi công đoạn như dịch thuật, tư vấn pháp lý, xử lý đơn hàng. Thị trường Nhật ít cạnh tranh khốc liệt nhưng rào cản ngành và yêu cầu tín dụng rất cao. • **Anh Xiao Tao (công nghệ sinh học):** Thu nhập tăng gấp đôi so với đi làm thuê. Anh sử dụng AI Agent (như DeepSeek, Claude) để tự động hóa ~80% công việc phân tích dữ liệu và báo cáo lặp đi lặp lại, tập trung vào 20% công việc đòi hỏi phán đoán chuyên môn và giao tiếp với khách hàng. • **Anh A Yuan (thương mại điện tử xuyên biên giới):** Chuyển từ vị trí vận hành tại tập đoàn lớn (thu nhập ~6 triệu tệ/năm) sang khởi nghiệp OPC ở thị trường Mexico. AI thay thế ~60% công việc như chọn sản phẩm, tạo nội dung. Tuy nhiên, sau 2 tháng, doanh thu chỉ đạt hơn 10.000 tệ, lợi nhuận khoảng 1.000 tệ, thu nhập giảm ~90%. Anh khuyên không nên khởi nghiệp bồng bột và nhấn mạnh giá trị học hỏi thực tế từ việc tự kinh doanh. Các câu chuyện cho thấy AI là công cụ đắc lực giảm chi phí, rút ngắn thời gian và tự động hóa, nhưng không đảm bảo thành công. Yếu tố then chốt vẫn là kinh nghiệm ngành, khả năng sáng tạo, quản lý, nguồn khách hàng và hiểu biết về thị trường cụ thể. Mô hình OPC phù hợp nhất với những người có chuyên môn sẵn và nguồn lực khách hàng, chứ không phải cho người mới bắt đầu hoàn toàn."

marsbit06/01 02:52

"Công ty một người" bùng nổ: Người kiếm trăm triệu mỗi năm, kẻ thu nhập co lại 90%

marsbit06/01 02:52

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

Tuần cuối tháng 5, hai sự kiện AI liền kề đã phơi bày hai cách tiếp cận khác biệt của các gã khổng lồ công nghệ Trung Quốc. Alibaba tập trung vào tích hợp và thương mại hóa AI. Họ kết nối ứng dụng Qwen với Taobao, cho phép mua sắm và sử dụng các tính năng AI như thử đồ, so giá. Tổ chức được tái cấu trúc để tập trung vào AI, với động lực rõ ràng từ thị trường vốn. Doanh thu bên ngoài của Alibaba Cloud tăng 40%, cho thấy chiến lược "lắp AI vào quầy thu ngân" đang tạo ra dòng tiền. Tuy nhiên, cách tiếp cận thực dụng này có thể đi kèm rủi ro nếu có sự chênh lệch lớn về năng lực mô hình nền trong tương lai. Ngược lại, ByteDance theo đuổi giới hạn công nghệ thông qua bộ phận Seed. Họ đạt được thành tích đỉnh cao với mô hình tạo video Seedance 2.0 và đầu tư mạnh vào nghiên cứu cơ bản, thu hút nhân tài với các mục tiêu thuần túy học thuật. Ngân sách vốn (capex) của ByteDance được báo cáo là tăng vọt, lên tới 4700 tỷ NDT vào năm 2026, được tài trợ chủ yếu từ lợi nhuận. Lợi thế lớn của họ là không bị áp lực thị trường công khai, cho phép tập trung vào nghiên cứu dài hạn. Bài viết chỉ ra rằng sự khác biệt chiến lược này không chỉ là triết lý, mà chủ yếu bị chi phối bởi việc công ty có niêm yết hay không. Các công ty đại chúng như Alibaba chịu áp lực phải thể hiện kết quả tài chính ngắn hạn, dẫn đến chiến lược "bán AI". Các công ty chưa niêm yết như ByteDance có "sự xa xỉ" để "làm AI" và tập trung vào đột phá công nghệ. Tương lai của con đường nghiên cứu dài hạn tại ByteDance có thể được kiểm chứng nếu công ty này tiến hành IPO.

marsbit06/01 00:10

Alibaba 'Bán Hàng', ByteDance 'Luyện Công'

marsbit06/01 00:10

Tại sao nhiều AI Agent hơn không đồng nghĩa với năng suất cao hơn?

Biên tập viên: Khi AI Agent ngày càng rẻ và dễ gọi, phát triển phần mềm đang bước vào giai đoạn mới. Vấn đề không còn là có thể chạy nhiều Agent hơn hay không, mà là liệu con người có đủ sự chú ý để quản lý, đánh giá và hợp nhất đầu ra của chúng hay không. Bài viết giới thiệu khái niệm "thuế điều phối". Chi phí khởi chạy Agent rất thấp, chỉ cần một Prompt hoặc một cú nhấp chuột. Nhưng các bước tiếp theo mới thực sự đắt đỏ: kiểm tra kết quả, hiểu tác động đến kiến trúc hệ thống, xử lý xung đột giữa các Agent, và quyết định mã nào được đưa vào nhánh chính. Những công việc này không thể song song hóa đơn giản, mà vẫn phải quay về một tài nguyên tuần tự duy nhất: khả năng phán đoán của con người. Tác giả ví nhà phát triển như "GIL" trong hệ thống AI Agent - khóa luồng đơn hạn chế thông lượng cuối cùng của hệ thống đồng thời. Nhiều Agent có thể chạy cùng lúc, nhưng một khi bước vào giai đoạn đánh giá kiến trúc, xem xét mã và hợp nhất xung đột, chúng phải đi qua bộ não của nhà phát triển. Do đó, càng nhiều Agent không nhất thiết có nghĩa là sản lượng cao hơn, mà có thể chỉ làm cho hàng đợi công việc chờ xem xét dài hơn, khiến nhà phát triển mệt mỏi vì chuyển đổi ngữ cảnh liên tục. Điều dễ bị bỏ qua trong cơn sốt công cụ lập trình AI hiện nay là cảm giác hiệu quả không phải lúc nào cũng đồng nghĩa với năng suất thực. Một bảng điều khiển đầy Agent đang chạy tạo ra ảo giác "năng suất cao", nhưng nếu nhà phát triển không thực sự hiểu, xem xét và tích hợp các thay đổi, hệ thống cuối cùng tích lũy có thể là nợ kỹ thuật và nợ nhận thức. Vì vậy, bài viết thảo luận về "cách thiết kế lại quy trình làm việc xoay quanh sự chú ý của con người". Trong thời đại Agent, năng lực then chốt không chỉ là biết đặt câu hỏi và phân công nhiệm vụ, mà là biết nhiệm vụ nào có thể giao cho máy móc xử lý song song, nhiệm vụ nào phải dành cho con người đánh giá; khi nào nên xem xét hàng loạt, khi nào nên dừng điều phối để tập trung lại vào một vấn đề cốt lõi. AI đang mở rộng khả năng xử lý đồng thời trong sản xuất phần mềm, nhưng sự chú ý của con người vẫn là tài nguyên khan hiếm và không thể nhân bản nhất trong hệ thống. Một quy trình làm việc với Agent thực sự trưởng thành không phải là ném mọi nhiệm vụ cho máy móc, mà là thiết kế kiến trúc sự chú ý của chính mình một cách cẩn thận, giống như thiết kế một hệ thống sản xuất.

marsbit05/31 22:46

Tại sao nhiều AI Agent hơn không đồng nghĩa với năng suất cao hơn?

marsbit05/31 22:46

Ba năm sau: Nhìn lại nhận định của tôi về ChatGPT vào năm 2023

**Tóm tắt tiếng Việt:** Năm 2026, tác giả Vương Kiến Thạc nhìn lại 20 dự đoán của mình về ChatGPT từ năm 2023, sử dụng AI (41 agent Opus 4.8) để đối chiếu với dữ liệu thực tế. **Kết quả chính:** Phần lớn các dự đoán về **cơ chế và xu hướng** là đúng: * **Đúng:** Kiến trúc RAG + tìm kiếm trở thành chuẩn để giảm ảo giác. LUI (Giao diện ngôn ngữ tự nhiên) tạo ra một "lục địa mới" cho tương tác máy tính. Mạng lưới agent với giao thức kết nối mới đang hình thành. Trung Quốc thu hẹp khoảng cách về mô hình lớn có thể sử dụng. ChatGPT không có ý thức, vượt qua bài kiểm tra Turing nhờ biểu diễn. Nó là bước tiến lớn nhưng chưa phải AGI, chưa gây ra làn sóng thất nghiệp hàng loạt. * **Sai/Sai một phần:** Dự đoán cụ thể **GPT-4 có 100 nghìn tỷ tham số** là sai hoàn toàn (thực tế ~1.8 nghìn tỷ). Nhận định **LLM không thể tự học toán** bị bác bỏ khi các mô hình giành huy chương IMO. **Giá trị sẽ thuộc về lớp ứng dụng** bị chứng minh ngược lại khi lợi nhuận khổng lồ thuộc về lớp nền tảng tính toán (như NVIDIA). **AI có thể né tránh vấn đề bản quyền** là sai, với các vụ kiện và khoản bồi thường lớn. Dự đoán **chi phí đào tạo mô hình lớn chỉ 5-10 tỷ USD** là quá thấp so với thực tế. **Bài học rút ra:** 1. **Dự đoán xu hướng và cơ chế đáng tin cậy hơn nhiều so với các con số cụ thể hay mức độ tuyệt đối.** 2. **Có xu hướng đánh giá quá cao tốc độ thay đổi trong ngắn hạn, nhưng lại đánh giá thấp mức độ thay đổi trong dài hạn.** 3. **Sai lầm tinh vi thường nằm ở "sự phân bố":** tổng thể đúng nhưng tác động không đồng đều (ví dụ: việc làm). 4. **Những phát biểu có giới hạn, thận trọng thường đứng vững theo thời gian.** 5. **Ba năm là chưa đủ để kết luận cho một số vấn đề sâu xa** (như ý thức máy móc, sự xuất hiện năng lực). Bài viết kết luận rằng việc nhìn đúng hướng đi lớn không quá khó, nhưng thừa nhận những sai lầm trong ước tính chi tiết, tốc độ và phân bố mới là điều đáng ghi nhớ cho những dự đoán trong tương lai.

marsbit05/31 16:07

Ba năm sau: Nhìn lại nhận định của tôi về ChatGPT vào năm 2023

marsbit05/31 16:07

Ba năm sau: Nhìn lại những dự đoán của tôi về ChatGPT năm 2023

**Tóm tắt: Nhìn lại 20 dự đoán về ChatGPT năm 2023 sau 3 năm** Vào tháng 3/2023, khi ChatGPT mới xuất hiện và GPT-4 chưa ra mắt, tác giả Vương Kiến Thạc đã đưa ra 20 nhận định về tương lai của AI. Giờ đây, vào cuối tháng 5/2026, một hệ thống AI gồm 41 agent đã được sử dụng để kiểm chứng lại từng dự đoán đó dựa trên dữ liệu thực tế. **Kết quả kiểm chứng (Tính đến 5/2026):** * **Đúng/Bản chất đúng (✅/🟢):** 13/20 dự đoán. * **Một phần đúng (🟡):** 6/20 dự đoán. * **Sai (❌):** 1/20 dự đoán. **Những điểm dự đoán chính xác nổi bật:** 1. **Kiến trúc RAG & Tìm kiếm:** Dự đoán việc bổ sung kiến thức thông qua cơ chế truy xuất bên ngoài (như vector search) thay vì chỉ fine-tune model đã trở thành tiêu chuẩn. 2. **Giao diện ngôn ngữ tự nhiên (LUI):** Nhận định ChatGPT mở ra kỷ nguyên LUI, tạo ra một hệ sinh thái rộng lớn hơn cả việc phát triển model cơ bản, đã được chứng minh. 3. **Mô hình lớn Trung Quốc:** Dự báo khoảng cách về khả năng giữa các mô hình Trung Quốc và đỉnh cao thế giới sẽ thu hẹp nhanh chóng trong khoảng 3 năm đã thành hiện thực. 4. **Ý thức và Kiểm tra Turing:** Quan điểm cho rằng ChatGPT không có ý thức và bài kiểm tra Turing chỉ đánh giá biểu hiện bề ngoài vẫn vững vàng. **Những điểm dự đoán chưa chính xác hoặc sai lệch:** 1. **Tham số GPT-4 (❌):** Thông tin GPT-4 có 100 nghìn tỷ tham số là hoàn toàn sai. 2. **Khả năng toán học của LLM:** Mặc dù đúng khi cho rằng cần công cụ bổ trợ, nhưng khẳng định LLM "không thể" tự học toán thuần túy đã bị bác bỏ khi các model năm 2025 giành huy chương IMO. 3. **Nơi nắm giữ giá trị:** Dự đoán giá trị sẽ thuộc về tầng ứng dụng, còn các công ty làm model cơ bản có thể không sinh lời, đã không tính đến sự thống trị và lợi nhuận khổng lồ của NVIDIA ở tầng phần cứng tính toán. 4. **Bản quyền:** Nhận định AI có thể "né tránh" vi phạm bản quyền là sai, khi thực tế đã có những vụ kiện và dàn xếp bồi thường lớn nhất lịch sử liên quan đến dữ liệu huấn luyện. **Bài học rút ra sau 3 năm:** * **Dự đoán xu hướng và cơ chế đáng tin cậy hơn nhiều so với các con số cụ thể.** * Xu hướng chung: **Đánh giá quá lạc quan về tốc độ, nhưng lại đánh giá thấp mức độ phát triển** về lâu dài. * Sai lầm tinh vi thường nằm ở **sự phân bổ** (ví dụ: tác động việc làm lên nhóm người lao động trẻ), chứ không phải tổng thể. * **Những nhận định có giới hạn, điều kiện đi kèm thường chính xác hơn** những phát biểu tuyệt đối. * Một số câu hỏi lớn vẫn chưa có câu trả lời cuối cùng sau 3 năm. Bản tổng kết này không chỉ chấm điểm cho quá khứ, mà còn đặt ra những quy tắc cho việc dự đoán trong tương lai.

链捕手05/31 13:39

Ba năm sau: Nhìn lại những dự đoán của tôi về ChatGPT năm 2023

链捕手05/31 13:39

Từ Token đến Lao động Máy móc: AI đang chuyển từ Công cụ thành 'Người lao động'

Từ công cụ thành "công nhân": AI đang trở thành lực lượng lao động máy móc Bài viết phân tích sự chuyển dịch trong thị trường AI: từ việc bán token hay giờ GPU đơn thuần, sang một thị trường "lao động máy móc" mới, nơi chính công việc được hoàn thành bởi phần mềm trở thành đối tượng được định giá và giao dịch. Tác giả dự đoán cơ chế định giá AI sẽ phát triển qua bốn giai đoạn: token thô -> thị trường năng lực LLM tiêu chuẩn hóa -> thị trường lao động theo ngành -> thị trường kết quả có thể lập trình. Trong tương lai, doanh nghiệp có thể không còn quan tâm công việc do model hay GPU cụ thể nào thực hiện, mà chỉ quan tâm liệu nó có được giao đúng tiêu chuẩn về độ trễ, độ chính xác, độ tin cậy và chi phí hay không. Điều này cũng làm thay đổi vai trò của con người, chuyển sang giám sát, chịu trách nhiệm, quản lý ngữ cảnh và đưa ra phán quyết cuối cùng - những yếu tố có thể trở nên có giá trị hơn. Bài viết nhấn mạnh AI không chỉ đơn thuần thay thế lao động mà mở rộng thị trường tổng thể. Khi chi phí công việc giảm, nhu cầu có thể tăng lên, tạo ra những loại hình công việc và dịch vụ mới khả thi về mặt kinh tế. Thị trường lao động máy móc sẽ bắt đầu từ những công việc có thể được xác định rõ ràng và đo lường được, hướng tới việc biến lao động máy móc thành một yếu tố sản xuất mới có thể được thu mua, thanh toán và giao dịch.

marsbit05/31 12:35

Từ Token đến Lao động Máy móc: AI đang chuyển từ Công cụ thành 'Người lao động'

marsbit05/31 12:35

6 câu hỏi, hiểu xu hướng thương mại của AI

**Tóm tắt:** AI đang bước vào "mùa hè" thương mại hóa, chuyển từ giai đoạn kể chuyện (narrative) sang tập trung vào khả năng giao hàng cụ thể và hiệu quả tài chính. Điều này được phản ánh qua 6 khía cạnh, mỗi khía cạnh đạt 1 điểm theo "Khung chấm điểm 6 chiều để đánh giá chu kỳ", tổng 6 điểm thuộc mùa hè. Các tín hiệu rõ ràng bao gồm: **Doubao (Đậu Bao)** của ByteDance bắt đầu thu phí đăng ký, và **OpenAI** ra mắt nền tảng quảng cáo. Động lực chính là áp lực chi phí (điện, GPU, vận hành) từ việc người dùng tăng trưởng khổng lồ và cơ hội thương mại hóa đã chín muồi. Để thành công trong giai đoạn này, doanh nghiệp cần: 1. **Tìm một điểm cắt nhỏ, chạy thông vòng lặp giá trị:** Bắt đầu với 1-2 kịch bản có điểm đau rõ, dữ liệu đủ và đo lường được ROI cụ thể (ví dụ: dịch vụ khách hàng tự động, tạo nội dung marketing). Đặt mốc thời gian ngắn và ngừng nếu không đạt kết quả. 2. **Nhân rộng từ dự án thí điểm, xây dựng năng lực tổ chức:** Chuẩn hóa quy trình thành công, xây dựng nền tảng chia sẻ năng lực AI và cơ sở dữ liệu prompt. Điều chỉnh cơ cấu tổ chức (cần lãnh đạo cấp cao dẫn dắt), đào tạo nhân sự và gắn động lực với kết quả tài chính từ AI. 3. **Tái cấu trúc có hệ thống, dùng AI làm lại quy trình:** Chuyển từ quy trình tuần tự sang song song với AI, sử dụng bảng điều khiển thời gian thực để giám sát và tạo chuỗi kích hoạt tự động. Mục tiêu: sự kiện xảy ra, AI tự động xử lý, con người chỉ phê duyệt. Tóm lại, lộ trình là: chạy thông một điểm, mở rộng thành một mặt trận, sau đó để AI thiết kế lại toàn bộ cục diện kinh doanh.

marsbit05/31 00:28

6 câu hỏi, hiểu xu hướng thương mại của AI

marsbit05/31 00:28

Apple dùng AI tái phát minh nén hình ảnh: Chất lượng như nhau, file chỉ cần một phần ba

Apple đã giới thiệu PICO (Perceptual Image Codec), một bộ mã hóa hình ảnh dựa trên AI được huấn luyện để tối ưu hóa trải nghiệm thị giác của con người thay vì chỉ cải thiện các chỉ số toán học như PSNR. Bằng cách giải quyết ba thách thức chính — tốc độ mã hóa entropy, ảo giác từ huấn luyện GAN và biên màu do xử lý khối — PICO đạt được hiệu quả nén vượt trội. Trong đánh giá chủ quan với hơn 74.000 lượt so sánh, PICO tạo ra tệp có kích thước chỉ bằng 30–43% so với các chuẩn hiện đại như AV1, VVC hay JPEG AI ở cùng chất lượng thị giác. Trên iPhone 17 Pro Max, PICO mã hóa ảnh 12MP trong 230ms và giải mã trong 150ms. Nghiên cứu này, dẫn dắt bởi Oren Rippel và nhóm từ WaveOne (hiện thuộc Apple), đánh dấu một bước tiến thực tế trong việc áp dụng nén "tri giác" vào thiết bị tiêu dùng.

marsbit05/30 02:49

Apple dùng AI tái phát minh nén hình ảnh: Chất lượng như nhau, file chỉ cần một phần ba

marsbit05/30 02:49

活动图片

Danh mục Phổ biếnright-arrow

Thẻ Nổi bậtright-arrow