OpenAI sụp đổ, nghiên cứu gốc về Scaling Law lộ bug, nghìn tỷ FLOPs hao phí vô ích

marsbitXuất bản vào 2026-07-06Cập nhật gần nhất vào 2026-07-06

Tóm tắt

OpenAI nghiên cứu viên Diogo Almeida tiết lộ một lỗi cơ bản trong bài báo gốc về Scaling Law năm 2020. Lỗi này đến từ việc huấn luyện tất cả mô hình với số lượng token dữ liệu cố định (khoảng 130B token) và sử dụng lịch trình suy giảm tốc độ học (Cosine Decay), khiến các mô hình lớn bị "thiếu dinh dưỡng" và tạo ảo tưởng rằng việc tăng dữ liệu không còn hiệu quả. Kết quả là ngành AI toàn cầu đã bị dẫn lối sai, ưu tiên tăng tham số một cách cực đoan (như GPT-3) thay vì cân bằng với dữ liệu, dẫn đến lãng phí hàng nghìn tỷ phép tính. Năm 2022, DeepMind với Chinchilla đã sửa sai, chứng minh rằng mô hình và dữ liệu cần được mở rộng cân đối (khoảng 20 token/1 tham số). Tuy nhiên, ngay cả nghiên cứu Chinchilla cũng được phát hiện có lỗi tối ưu hóa. Hơn nữa, Scaling Law hiện tại chủ yếu dựa trên tiếng Anh - một ngôn ngữ kém hiệu quả về mặt hình thái. Thí nghiệm cho thấy mô hình tiếng Pháp đạt hiệu quả cao hơn 50-100 lần so với tiếng Anh ở một số nhiệm vụ, cho thấy định luật hiện nay có thể chỉ phản ánh đặc tính của một ngôn ngữ cụ thể chứ không phải quy luật phổ quát của trí tuệ nhân tạo. Sự sai lệch này đã khiến cả ngành công nghiệp đi chệch hướng trong nhiều năm, lãng phí lượng lớn tài nguyên tính toán và có thể làm chậm tiến trình phát triển AI hiệu quả.

Nhà nghiên cứu DeepMind tiết lộ lúc nửa đêm: Bài báo gốc về Scaling Law của OpenAI thực ra có một bug chết người! AI toàn cầu đã đốt nghìn tỷ FLOPs một cách vô ích, GPT-3 thực chất đã "phình to" một cách nghiêm trọng.

OpenAI đã làm lạc hướng cả cộng đồng AI trong nhiều năm!

Năm năm qua, toàn bộ ngành công nghiệp AI bị đẩy đi bởi Scaling Law.

Niềm tin của Sam Altman vào AGI cũng đến từ đường cong này.

Giờ đây, có người đứng ra nói rằng: Đường cong này, ngay từ đầu đã sai.

Không phải nói theo kiểu "mãi về sau mới biết". Người nói câu này chính là nhà nghiên cứu Diogo Almeida, người đã từng làm tối ưu hóa mô hình lớn tại OpenAI.

Vừa rồi, anh ấy đăng một bài blog, tiêu đề lạnh lùng đến phát sợ - 《Scaling Laws, Honestly》.

Câu mở đầu đã nói thẳng: Phiên bản scaling law ban đầu là sai, vì có một bug.

Đường dẫn: https://www.completeskeptic.com/p/scaling-laws-honestly

Sander Dieleman của DeepMind, người được mệnh danh là "thần diffusion model", ngay lập tức đẩy nó lên trên Twitter, nói rằng đây là một câu chuyện thú vị về LLM:

Scaling law gốc đã sai vì một bug, rất có thể đã khiến ngành công nghiệp lãng phí một lượng tính toán khổng lồ vào những mô hình "quá lớn và được huấn luyện không đủ".

Một bug, đốt mất hai năm.

Khi bug bị vạch trần, chúng ta thấy không chỉ là hố đen của tính toán, mà còn là một ranh giới trí tuệ sâu sắc hơn nhiều so với tưởng tượng, được định hình lại bởi chính ngôn ngữ.

Scaling Law hóa ra là "Thuyết địa tâm" của LLM

Năm 2020, OpenAI đưa ra kết luận: Với một ngân sách tính toán cố định, bạn nên ưu tiên làm mô hình lớn hơn, chứ không phải lấy thêm dữ liệu để "cho nó ăn".

Nói bằng công thức, lượng tham số tối ưu tỷ lệ thuận với 0.73 lũy thừa của tính toán - tham số, là biến cần phải lao tới mạnh hơn.

Câu nói này trực tiếp định hình diện mạo của thế hệ GPT-3. Chồng tham số. Chồng cho đến chết. 175 tỷ.

Nó nói với các nhà phát triển toàn thế giới: Đừng hỏi, hỏi thì chỉ có chồng tham số; chỉ cần bạn làm mô hình đủ lớn, phép màu sẽ xảy ra.

Hai năm sau, DeepMind tung ra Chinchilla, lật tung kết luận này: Mô hình và dữ liệu, nên được phóng to cùng nhau với tầm quan trọng ngang nhau, mỗi tham số nên được phân phối khoảng 20 token thì mới hợp lý.

Họ huấn luyện một Chinchilla 70 tỷ tham số, cho nó "ăn" 1.4 nghìn tỷ token - quy mô chưa bằng một nửa GPT-3, dữ liệu thì nhiều hơn nó hơn bốn lần.

Kết quả, với cùng ngân sách tính toán, vượt trội hoàn toàn so với Gopher 280 tỷ tham số nhưng chỉ được cho ăn 300 tỷ token.

Dịch ra lời người bình thường: Cùng một số tiền, một bên nuôi nó thành một "chàng lực sĩ" phình to, một bên luyện nó thành một "võ sĩ quyền Anh" gầy gò.

Sau ba năm trì hoãn, cựu sinh viên Đại học Bắc Kinh Weng Li đã đi sâu thảo luận về cách giải thích chính thống cho sự khác biệt giữa hai bên trong các nghiên cứu tiếp theo, tức là sự khác biệt nằm ở cách họ tính tổng số tham số.

Và điều này chưa hết. Ngay cả Chinchilla "đúng đắn" kia, bản thân nó cũng không trong sạch.

Năm 2024, Besiroglu và những người khác đào ra các điểm dữ liệu trong bài báo gốc của Chinchilla và chạy lại, phát hiện ra trong chính mô hình khớp của nó cũng ẩn chứa một bug:

Thang đo loss trong bộ tối ưu hóa được đặt quá cao, đã lấy trung bình thay vì tổng cho hàm mất mát Huber trên các mẫu, dẫn đến việc khớp kết thúc quá sớm.

Bài báo sửa bug, tự nó lại mang một bug khác.

Đến đây, câu nói "nguyên lý thứ nhất" được vô số người treo trên miệng, bỗng nhiên có chút không đứng vững.

Cái gọi là Scaling Law, xưa nay chưa bao giờ là quy luật vật lý sắt đá như ba định luật Newton, nó chỉ là một đường cong được khớp từ kinh nghiệm.

Khi Diogo Almeida cho rằng sự thật không phải như vậy, không phải do phương pháp khác nhau, "mà là do bản thân phiên bản scaling law ban đầu có một bug."

OpenAI lừa các đồng nghiệp AI toàn cầu bằng ba chiêu?

Để tạo ra một lời nói dối khiến cả thế giới AI tin theo, chỉ cần ba bước.

Bước một: Giam cầm dữ liệu.

Bài báo của OpenAI cho tất cả các mô hình - bất kể đó là đứa trẻ mới tập đi (mô hình nhỏ), hay mô hình đã trở thành người khổng lồ, ăn một "khẩu phần" hoàn toàn giống nhau. Khoảng 130B tokens dữ liệu.

Mô hình nhỏ do đó bị "cho ăn no" thậm chí "quá no", trong khi những mô hình lớn thực sự cần lượng dữ liệu khổng lồ để lấp đầy dung lượng của chúng, lại bị suy dinh dưỡng nghiêm trọng dưới cùng một ngân sách token.

Bài báo Chinchilla sau đó đã chỉ ra một cách sắc sảo: Họ đã sử dụng "số lượng token huấn luyện và lịch trình tốc độ học cố định cho tất cả các mô hình" (fixed number of training tokens and learning rate schedule).

Điều này giống như bắt trẻ mẫu giáo và tiến sĩ làm cùng một đề thi, trong cùng một thời gian, rồi tuyên bố "thành tích chỉ liên quan đến tài năng".

Bước hai: Suy giảm LR kiểu "bịt tai ăn cắp chuông".

Họ đã sử dụng suy giảm tốc độ học cosine (Cosine Decay), làm cho tốc độ học tiệm cận về 0 một cách trơn tru khi huấn luyện gần đến điểm kết thúc.

Khi huấn luyện gần đến điểm kết thúc đã định trước, tốc độ học bị nhấn từng chút một về 0, sự tiến bộ của mô hình tự nhiên sẽ "bằng phẳng" xuống.

Đường cong một khi bằng phẳng, trông giống như: Mô hình này đã học đến hết rồi, cho ăn thêm cũng vô ích.

Các nhà nghiên cứu từ đó kết luận: "Thêm dữ liệu vô ích rồi, mô hình đã bão hòa."

Đây không phải là giới hạn của mô hình, đây là tốc độ học đã chặn đứng con đường phát triển của mô hình một cách nhân tạo. Nó tạo ra một ảo ảnh hoàn hảo: Hiệu suất đã chạm trần, thêm dữ liệu cũng vô dụng.

Nhưng chúng ta giờ đây biết rằng, những mô hình lớn đó vẫn chưa đạt đến giới hạn.

Bước ba: Sự kiêu ngạo của giới thẩm quyền.

Bước thứ ba, cũng là bước âm hiểm nhất: Trong bài báo có viết một câu, rằng kết quả "về cơ bản không bị ảnh hưởng bởi đường cong tốc độ học" (largely independent of learning rate schedule).

Mặc dù nhiều người bao gồm cả Diogo Almeida lúc đó ở OpenAI cũng mơ hồ cảm thấy không ổn, nhưng trong giới hạn token cố định, kết luận này về mặt kỹ thuật là đúng.

Nhưng nó lại không áp dụng được cho thế giới lý tưởng "dữ liệu vô hạn" mà scaling law thực sự muốn mô tả.

Họ đã coi chân lý cục bộ trong điều kiện hữu hạn, thành quy luật phổ quát của vũ trụ.

Ba bước chồng lên nhau, bạn có được một định luật vừa sai, vừa cực khó gỡ lỗi.

Ngay cả Diogo cũng thừa nhận: Năm đó anh cũng đang làm tối ưu hóa tại OpenAI, cũng không nhìn ra bug này - đường cong tốc độ học đó trông quá giống như đã được "thiết lập tinh vi", ai mà nghi ngờ chứ.

GPU bị lãng phí vô ích

Bố trí tính toán sai lệch nghiêm trọng

Bị dẫn dắt bởi công thức sai lầm của OpenAI, ngành công nghiệp AI đã bước vào kỷ nguyên "lực mạnh sinh kỳ tích".

Điều này có nghĩa là trong vài năm qua, những bộ não thông minh nhất toàn cầu, những nguồn tính toán khan hiếm nhất, đã bị lãng phí vào sự mở rộng quy mô vô hiệu.

Đây không chỉ là vấn đề tiền bạc, mà là trong cuộc chạy đua tốc độ sinh tử hướng tới AGI, nhân loại đã chạy tập thể hàng ngàn cây số trên đường đua sai lầm chỉ vì việc thiết lập tốc độ học.

Nếu việc phát hiện Bug làm người ta đau lòng, thì sự suy ngẫm sâu sắc sau đó mới làm người ta sợ hãi.

Nhà nghiên cứu Adam Zachary Wasserman chỉ ra một điểm mù bị mọi người bỏ qua: Ngay cả khi công thức được sửa chữa, Scaling Law hiện tại cũng chỉ là "Scaling Law tiếng Anh".

Ông đã làm một thí nghiệm phản trực giác: Huấn luyện mô hình với cùng kiến trúc, cùng tính toán.

Kết quả phát hiện, hiệu suất của mô hình tiếng Pháp đạt đến một khả năng ngữ pháp nào đó, thực ra lại cao hơn mô hình tiếng Anh 50 đến 100 lần.

Tại sao? Vì tiếng Anh là một ngôn ngữ "nghèo hình thái".

Nó quá phụ thuộc vào quy luật phân bố, cần mô hình phải đoán nghĩa từ trong khối lượng dữ liệu khổng lồ; còn những ngôn ngữ có hình thái phong phú hoặc cấu trúc chặt chẽ như tiếng Pháp, tiếng Trung, bản thân từ vựng đã mang theo rất nhiều thông tin rõ ràng.

Điều này có nghĩa, tất cả các phương án phân bổ tính toán hiện tại của chúng ta, đều được xây dựng dựa trên một ngôn ngữ "ăn dữ liệu" nhất và kém hiệu quả nhất.

Khi bạn tưởng mình đang khám phá định luật vật lý của "trí tuệ phổ quát", bạn thực chất chỉ đang đo lường "tiếng Anh, ngôn ngữ này lãng phí tính toán đến mức nào".

Điều này giống như bạn cố gắng xây dựng tiêu chuẩn dinh dưỡng cho toàn bộ sinh vật vũ trụ thông qua việc nghiên cứu khẩu vị của một con lợn - đây không chỉ là định kiến, mà còn là hạn chế về nhận thức.

Chúng ta đáng lẽ có thể sử dụng mô hình nhỏ hơn, nhiều dữ liệu chất lượng hơn, để đạt được hiệu suất mạnh hơn.

Chúng ta đáng lẽ có thể tiết kiệm được hàng vạn giờ chạy H100 về điện năng và nhiệt lượng.

Chúng ta đáng lẽ có thể bước vào thời đại "AI hiệu quả" sớm hơn hai năm.

Tài liệu tham khảo:

https://www.completeskeptic.com/p/scaling-laws-honestly

https://lilianweng.github.io/posts/2026-06-24-scaling-laws/

Bài viết này đến từ tài khoản WeChat công khai "Tân Trí Nguyên", tác giả: ASI Khải Thị Lục, biên tập: Đại Vệ

Tiền kỹ thuật số thịnh hành

CitreaCTR

wrapped stUSDTWSTUSDT

Velodrome FinanceVELODROME

BrevisBREV

ZRX（0X）ZRX

PancakeSwapCAKE

Câu hỏi Liên quan

QTheo bài báo, lỗi (bug) trong bài báo gốc về Scaling Law của OpenAI đã dẫn đến hậu quả gì cho ngành công nghiệp AI?

ALỗi trong bài báo gốc về Scaling Law đã khiến toàn ngành công nghiệp AI trong nhiều năm tin rằng việc ưu tiên mở rộng quy mô tham số mô hình (model parameter) là tối ưu, trong khi thực tế việc mở rộng dữ liệu huấn luyện (training tokens) cũng quan trọng không kém. Điều này dẫn đến việc tạo ra những mô hình 'béo phì ảo' như GPT-3 (tham số lớn nhưng được huấn luyện trên dữ liệu ít), gây lãng phí hàng nghìn tỷ đơn vị tính toán (compute) và kéo lùi tiến trình phát triển AI hiệu quả.

QNghiên cứu Chinchilla của DeepMind đã sửa chữa kết luận sai lầm nào từ Scaling Law của OpenAI?

ANghiên cứu Chinchilla của DeepMind đã phản bác kết luận 'ưu tiên mở rộng tham số' của OpenAI. Họ chứng minh rằng để tối ưu hiệu suất với một ngân sách tính toán cố định, cần mở rộng đồng đều cả quy mô tham số mô hình và lượng dữ liệu huấn luyện. Cụ thể, Chinchilla đề xuất một tỷ lệ tối ưu là khoảng 20 tokens cho mỗi tham số. Mô hình 70 tỷ tham số của họ được huấn luyện trên 1.4 nghìn tỷ tokens đã vượt trội so với các mô hình lớn hơn nhưng được huấn luyện ít dữ liệu hơn.

QBài báo mô tả ba bước nào mà OpenAI (vô tình hay cố ý) đã tạo ra một 'Định luật' Scaling sai lệch?

ABài báo mô tả ba vấn đề phương pháp luận trong nghiên cứu gốc của OpenAI: 1) Giam cầm dữ liệu (Data Prison): Tất cả các mô hình, từ nhỏ đến lớn, đều được huấn luyện trên cùng một lượng tokens cố định (khoảng 130B), khiến mô hình lớn không được cung cấp đủ dữ liệu. 2) Làm phẳng đường cong bằng suy giảm tốc độ học (LR Decay Flattening): Việc sử dụng Cosine Decay đã ép tốc độ học về 0 ở cuối quá trình huấn luyện, tạo ảo giác rằng hiệu suất đã đạt trần và thêm dữ liệu cũng vô ích. 3) Sự tự tin thái quá (Overconfidence): Tuyên bố kết quả 'về cơ bản không phụ thuộc vào lịch trình tốc độ học' trong điều kiện dữ liệu bị giới hạn, nhưng lại được diễn giải như một quy luật phổ quát cho thế giới lý tưởng với dữ liệu vô hạn.

QPhản ánh sâu sắc nào về giới hạn của Scaling Law được đưa ra liên quan đến ngôn ngữ?

AMột phản ánh sâu sắc là Scaling Law hiện tại thực chất chỉ là 'Scaling Law cho tiếng Anh'. Thí nghiệm cho thấy các mô hình cho ngôn ngữ có hình thái phong phú hơn (như tiếng Pháp) hoặc cấu trúc chặt chẽ (như tiếng Trung) đạt được một khả năng ngôn ngữ nhất định với hiệu quả cao hơn 50-100 lần so với mô hình tiếng Anh, khi sử dụng cùng kiến trúc và nguồn lực tính toán. Điều này cho thấy các hướng dẫn về tỷ lệ tối ưu hiện nay có thể bị thiên lệch bởi đặc tính 'nghèo hình thái' và phụ thuộc nhiều vào ngữ cảnh của tiếng Anh, chứ không phải là quy luật cơ bản của trí tuệ phổ quát (AGI).

QAi là tác giả đã công khai chỉ ra lỗi bug trong bài báo Scaling Law gốc của OpenAI, và phản ứng từ cộng đồng AI như thế nào?

ANgười chỉ ra lỗi bug là Diogo Almeida, một cựu nhà nghiên cứu từng làm việc về tối ưu hóa mô hình lớn tại chính OpenAI. Anh đã công bố phát hiện này trong một bài blog có tiêu đề 'Scaling Laws, Honestly'. Phản ứng từ cộng đồng AI rất đáng chú ý, khi Sander Dieleman, một nhà nghiên cứu nổi tiếng về mô hình khuếch tán (diffusion model) tại DeepMind, đã lan truyền bài viết này trên Twitter, mô tả nó là 'một câu chuyện thú vị về LLM' và đồng ý rằng lỗi này có thể đã khiến ngành công nghiệp lãng phí lượng lớn tài nguyên tính toán vào các mô hình được mở rộng quá mức nhưng huấn luyện không đủ (over-sized, under-trained).

Nội dung Liên quan

Star Era huy động 2,5 tỷ USD trong 2 tháng, đội ngũ vốn nhà nước vào sân

Công ty trí tuệ thể thân hàng đầu Trung Quốc XINGDONG ERA đã hoàn thành vòng gọi vốn mới trị giá 1 tỷ nhân dân tệ, nâng tổng số vốn huy động được trong hai tháng lên 2.5 tỷ nhân dân tệ. Vòng này do quỹ vốn nhà nước thuộc Ủy ban Quản lý Tài sản Nhà nước dẫn đầu, với sự tham gia của nhiều tổ chức tài chính và vốn công nghiệp lớn, xây dựng ma trận vốn ba lớp. Xuất thân từ Đại học Thanh Hoa và là công ty trí tuệ thể thân duy nhất do trường này nắm cổ phần, XINGDONG ERA là người tiên phong đề xuất mô hình thế giới (world model) trong ngành. Công ty áp dụng chiến lược phát triển toàn diện "AI Native", tự nghiên cứu toàn bộ chuỗi từ dữ liệu, bộ não AI, điều khiển vận động, bàn tay linh hoạt đến bản thể robot. Bàn tay linh hoạt toàn dẫn động trực tiếp tự nghiên cứu của họ đóng vai trò là cốt lõi để thu thập dữ liệu tương tác vật lý chất lượng cao, cung cấp nền tảng cho việc đào tạo mô hình bộ não mạnh mẽ hơn, tạo thành một vòng lặp phát triển tích cực. Họ sở hữu một trong những bộ dữ liệu thực nghiệm bàn tay linh hoạt lớn nhất ngành. Về mặt thương mại hóa, XINGDONG ERA đã đạt được sự phù hợp sản phẩm-thị trường (PMF) đầu tiên trong ngành tại lĩnh vực hậu cần, với robot triển khai hàng loạt tại các trung tâm phân loại của các tập đoàn như SF Express và China Post, hoạt động 24/7. Họ cũng mở rộng hợp tác trong lĩnh vực sản xuất cao cấp (ví dụ: Samsung, Geely) và dịch vụ thương mại. Khả năng phần cứng cốt lõi của công ty đã được công nhận rộng rãi, với bàn tay linh hoạt và nền tảng robot được các tổ chức nghiên cứu đỉnh cao toàn cầu và 9/10 công ty công nghệ hàng đầu thế giới sử dụng. Năm 2026 được coi là thời điểm then chốt cho ngành, nơi sự khác biệt về năng lực mô hình và khả năng khép kín vòng lặp thương mại sẽ quyết định vị thế cạnh tranh.

marsbit3 phút trước

Star Era huy động 2,5 tỷ USD trong 2 tháng, đội ngũ vốn nhà nước vào sân

marsbit3 phút trước

Xu Hướng Thị Trường Chứng Khoán Mỹ (6/7): Vàng và Tiền Mã Hóa Phục Hồi Trước, Biên Bản Quyết Định Lãi Suất Định Hướng Tuần

Thị trường chứng khoán Mỹ đóng cửa nghỉ lễ Ngày Độc lập vào thứ Sáu, nhưng hợp đồng tương lai Nasdaq 100 vẫn tăng hơn 1%, cho thấy tâm lý lo ngại về lĩnh vực AI đã giảm nhiệt. Vàng phục hồi trong tuần, chấm dứt chuỗi giảm 4 tuần, trong khi dầu Brent tiếp tục giảm do phí rủi ro địa chính trị Trung Đông giảm. Bitcoin và Ethereum tăng mạnh, được xem là tín hiệu dẫn đầu cho sự thèm ăn rủi ro. Tuần này, thị trường đối mặt với nhiều sự kiện quan trọng: SpaceX chính thức được đưa vào chỉ số Nasdaq 100 vào thứ Ba, cùng ngày diễn ra phiên điều trần về thuế quan và Hội nghị Thung lũng Mặt trời. Fed sẽ công bố biên bản cuộc họp vào thứ Năm, với sự chú ý đặc biệt vào ngôn từ có cứng rắn hơn hay không sau khi Chủ tịch mới nhậm chức. Ngoài ra, SK Hynix dự kiến niêm yết ADR trên sàn Mỹ vào cuối tuần, và mùa báo cáo quý 2 chính thức bắt đầu. Logic của phe lạc quan là sự phục hồi trước của hợp đồng tương lai và vàng, cho thấy tâm lý thị trường vẫn tích cực. Tuy nhiên, những lo ngại về biên bản Fed, thuế quan và sự kiện SpaceX có thể làm giảm sự lạc quan này. Điểm then chốt nằm ở ngôn từ trong biên bản Fed: nếu không cứng rắn hơn dự kiến, đà phục hồi có thể tiếp tục; ngược lại, các tài sản biến động cao như Bitcoin có thể phản ứng đầu tiên.

marsbit5 phút trước

Xu Hướng Thị Trường Chứng Khoán Mỹ (6/7): Vàng và Tiền Mã Hóa Phục Hồi Trước, Biên Bản Quyết Định Lãi Suất Định Hướng Tuần

marsbit5 phút trước

Meta cũng bắt đầu bán 'xẻng', Mark Zuckerberg: Mô hình có thể chậm, nhưng GPU nhất định phải kiếm tiền

Meta, công ty mẹ của Facebook, đang cân nhắc mở rộng sang kinh doanh cơ sở hạ tầng điện toán AI, với kế hoạch có tên "Meta Compute", theo Bloomberg. Động thái này diễn ra trong bối cảnh các nỗ lực phát triển mô hình AI nội bộ như Llama và Muse Spark gặp phải thách thức, bao gồm việc bị giới hạn truy cập vào Gemini của Google và tiến độ chậm hơn dự kiến. Meta sở hữu một mạng lưới trung tâm dữ liệu khổng lồ, với công suất hàng gigawatt đang được xây dựng và đặt hàng. Lượng tài nguyên điện toán này được dự kiến phân bổ cho: đào tạo mô hình nội bộ thế hệ tiếp theo (như Watermelon), cải thiện hệ thống quảng cáo, cho thuê cao cấp cho khách hàng bên ngoài theo mô hình tương tự SpaceX, và lưu trữ các mô hình của bên thứ ba như Claude của Anthropic. Việc chuyển hướng một phần sang "bán cuốc" (cung cấp sức mạnh tính toán) được cho là để tạo ra dòng doanh thu có lợi nhuận cao từ các khoản đầu tư khổng lồ vào GPU, trong khi vẫn theo đuổi mục tiêu dài hạn là phát triển trí tuệ nhân tạo cấp độ cao (ASI). Thông báo này đã khiến giá cổ phiếu Meta tăng mạnh, phản ánh sự đón nhận tích cực từ thị trường đối với câu chuyện kinh doanh mới này.

marsbit20 phút trước

Meta cũng bắt đầu bán 'xẻng', Mark Zuckerberg: Mô hình có thể chậm, nhưng GPU nhất định phải kiếm tiền

marsbit20 phút trước

Trung tâm dữ liệu lớn nhất thế giới đã "đổ bể"

Thị trường đang xôn xao về thương vụ Blackstone bán ba trung tâm dữ liệu ở Virginia với giá 3,5 tỷ USD, thì gã khổng lồ quản lý tài sản thay thế toàn cầu này lại có một động thái bất ngờ hơn: QTS, nhà điều hành trung tâm dữ liệu thuộc quyền sở hữu của họ, đã chính thức dừng dự án xây dựng Trung tâm Dữ liệu Digital Gateway tại địa phương. Dự án từng được mệnh danh là "khuôn viên trung tâm dữ liệu lớn nhất thế giới" này, với tổng diện tích lớn hơn hai lần Công viên Trung tâm New York, đã hoàn toàn đình trệ. Trong vòng vài ngày, Blackstone một mặt thu lời cao từ việc bán các tài sản trưởng thành, mặt khác chủ động cắt bỏ dự án dự trữ khổng lồ. Thao tác chuyển hướng đột ngột này đã phơi bày những khó khăn thực tế đang bị che khuất dưới làn sóng đầu tư cơ sở hạ tầng AI. Dự án nằm ở Quận Prince William, Virginia, rộng 2.100 mẫu Anh, với kế hoạch đầu tư ban đầu hơn 100 tỷ USD để xây 37 tòa nhà trung tâm dữ liệu. Tuy nhiên, ngay từ ngày đầu công bố, nó đã vấp phải làn sóng phản đối kịch liệt từ cư dân địa phương do nằm gần di tích chiến trường lịch sử và lo ngại về tiêu thụ tài nguyên, ô nhiễm. Cuộc tranh chấp kéo dài 5 năm, và một sai sót thủ tục nhỏ trong quá trình phê duyệt cuối cùng đã dẫn đến phán quyết của tòa án vào tháng 3 năm nay, tuyên bố việc phân vùng không hợp lệ. Đối tác phát triển, Compass Datacenters của Brookfield, đã rút lui, để lại chi phí cơ sở hạ tầng khổng lồ cho QTS. Cuối cùng, Blackstone quyết định cắt lỗ. Sự rút lui này không phải là cá biệt. Một báo cáo cho thấy chỉ trong quý I, các dự án trung tâm dữ liệu bị trì hoãn ở Mỹ có tổng giá trị lên tới khoảng 130 tỷ USD. Các nút thắt chính bao gồm hạn chế về nguồn cung điện (trung tâm dữ liệu có thể chiếm tới 25% nhu cầu điện ở Virginia) và sự phản đối ngày càng tăng từ cộng đồng. Số lượng nhóm phản đối cơ sở trên toàn quốc đã tăng mạnh, và chính sách địa phương đang thắt chặt. Động thái của Blackstone, một nhà tiên phong trong lĩnh vực này, được xem như một tín hiệu "thoát đỉnh", cho thấy rủi ro của ngành có thể đang bắt đầu vượt quá lợi nhuận. Làn sóng đầu tư cơ sở hạ tầng AI đang va phải trần thực tế về chi phí, cơ sở hạ tầng và sự chấp nhận của xã hội.

marsbit31 phút trước

Trung tâm dữ liệu lớn nhất thế giới đã "đổ bể"

marsbit31 phút trước

OpenAI đề xuất chuyển nhượng 5% cổ phần cho Chính phủ Mỹ

OpenAI đã đề xuất chào bán 5% cổ phần cho chính phủ Mỹ với mức định giá 852 tỷ USD, trị giá hơn 400 tỷ USD. CEO Sam Altman cũng đề xuất tất cả các công ty AI lớn của Mỹ cùng tham gia một cơ chế tương tự, đóng góp cổ phần vào một quỹ công cộng để chia lợi nhuận cho chính phủ và người dân, lấy cảm hứng từ Quỹ Thường trực Alaska. Động thái này được xem như một nỗ lực chia sẻ lợi ích và xây dựng lòng tin với các nhà quản lý, trong bối cảnh ngành AI đang đối mặt với sức ép giám sát ngày càng tăng tại Mỹ. Các cuộc đàm phán sơ bộ đã diễn ra với các quan chức cấp cao. Altman lập luận rằng việc công chúng nắm giữ cổ phần là cách tốt nhất để chia sẻ thành quả từ tăng trưởng AI. Tuy nhiên, đề xuất này vẫn chỉ mang tính chất khái niệm và có thể cần luật của Quốc hội để thực hiện. Trong khi đó, một số chính trị gia như Thượng nghị sĩ Sanders lại ủng hộ mức nắm giữ công cộng lên tới 50%, phản ánh các quan điểm khác nhau về mức độ can thiệp. Đề xuất diễn ra khi OpenAI và Anthropic đang chuẩn bị cho việc lên sàn chứng khoán và đối mặt với sự chậm trễ trong việc phê duyệt phát hành các mô hình AI tiên tiến. Việc chính phủ trở thành cổ đông có thể tạo ra một kênh ảnh hưởng đến các quyết định quan trọng, từ an toàn đến quản trị, định hình lại mối quan hệ giữa ngành công nghiệp AI và nhà nước trong cuộc đua phát triển AGI (Trí tuệ nhân tạo phổ quát).

marsbit33 phút trước

OpenAI đề xuất chuyển nhượng 5% cổ phần cho Chính phủ Mỹ

marsbit33 phút trước

Giao dịch

Giao ngay

Bài viết Nổi bật

HTX Learn: Tìm hiểu Về Conflux để Chia sẻ 8000 USDT

Để giúp bạn nắm bắt bản chất của Conflux, HTX Learn đã ra mắt chiến dịch Tìm hiểu & Kiếm tiền này.

Tổng lượt xem 966Xuất bản vào 2024.12.23Cập nhật vào 2024.12.23

HTX Learn: Tìm hiểu Về Conflux để Chia sẻ 8000 USDT

AGENT S là gì

Agent S: Tương Lai của Tương Tác Tự Động trong Web3 Giới thiệu Trong bối cảnh không ngừng phát triển của Web3 và tiền điện tử, các đổi mới đang liên tục định nghĩa lại cách mà cá nhân tương tác với các nền tảng kỹ thuật số. Một dự án tiên phong như vậy, Agent S, hứa hẹn sẽ cách mạng hóa tương tác giữa con người và máy tính thông qua khung tác nhân mở của nó. Bằng cách mở đường cho các tương tác tự động, Agent S nhằm đơn giản hóa các nhiệm vụ phức tạp, cung cấp các ứng dụng chuyển đổi trong trí tuệ nhân tạo (AI). Cuộc khám phá chi tiết này sẽ đi sâu vào những phức tạp của dự án, các tính năng độc đáo của nó và những tác động đối với lĩnh vực tiền điện tử. Agent S là gì? Agent S đứng vững như một khung tác nhân mở đột phá, được thiết kế đặc biệt để giải quyết ba thách thức cơ bản trong việc tự động hóa các nhiệm vụ máy tính: Thu thập Kiến thức Cụ thể theo Miền: Khung này học một cách thông minh từ nhiều nguồn kiến thức bên ngoài và kinh nghiệm nội bộ. Cách tiếp cận kép này giúp nó xây dựng một kho lưu trữ phong phú về kiến thức cụ thể theo miền, nâng cao hiệu suất của nó trong việc thực hiện nhiệm vụ. Lập Kế Hoạch Qua Các Tầm Nhìn Nhiệm Vụ Dài Hạn: Agent S sử dụng lập kế hoạch phân cấp tăng cường kinh nghiệm, một cách tiếp cận chiến lược giúp phân chia và thực hiện các nhiệm vụ phức tạp một cách hiệu quả. Tính năng này nâng cao đáng kể khả năng quản lý nhiều nhiệm vụ con một cách hiệu quả và hiệu suất. Xử Lý Các Giao Diện Động, Không Đều: Dự án giới thiệu Giao Diện Tác Nhân-Máy Tính (ACI), một giải pháp đổi mới giúp nâng cao tương tác giữa các tác nhân và người dùng. Sử dụng các Mô Hình Ngôn Ngữ Lớn Đa Phương Thức (MLLMs), Agent S có thể điều hướng và thao tác các giao diện người dùng đồ họa đa dạng một cách liền mạch. Thông qua những tính năng tiên phong này, Agent S cung cấp một khung vững chắc giải quyết các phức tạp liên quan đến việc tự động hóa tương tác giữa con người với máy móc, mở ra nhiều ứng dụng trong AI và hơn thế nữa. Ai là Người Tạo ra Agent S? Mặc dù khái niệm về Agent S là hoàn toàn đổi mới, thông tin cụ thể về người sáng lập vẫn còn mơ hồ. Người sáng lập hiện vẫn chưa được biết đến, điều này làm nổi bật giai đoạn sơ khai của dự án hoặc sự lựa chọn chiến lược để giữ kín các thành viên sáng lập. Bất chấp sự ẩn danh, sự chú ý vẫn tập trung vào khả năng và tiềm năng của khung này. Ai là Các Nhà Đầu Tư của Agent S? Vì Agent S còn tương đối mới trong hệ sinh thái mã hóa, thông tin chi tiết về các nhà đầu tư và những người tài trợ tài chính của nó không được ghi chép rõ ràng. Sự thiếu vắng thông tin công khai về các nền tảng đầu tư hoặc tổ chức hỗ trợ dự án dấy lên câu hỏi về cấu trúc tài trợ và lộ trình phát triển của nó. Hiểu biết về sự hỗ trợ là rất quan trọng để đánh giá tính bền vững và tác động tiềm năng của dự án. Agent S Hoạt Động Như Thế Nào? Tại cốt lõi của Agent S là công nghệ tiên tiến cho phép nó hoạt động hiệu quả trong nhiều bối cảnh khác nhau. Mô hình hoạt động của nó được xây dựng xung quanh một số tính năng chính: Tương Tác Giống Như Con Người: Khung này cung cấp lập kế hoạch AI tiên tiến, cố gắng làm cho các tương tác với máy tính trở nên trực quan hơn. Bằng cách bắt chước hành vi của con người trong việc thực hiện nhiệm vụ, nó hứa hẹn nâng cao trải nghiệm người dùng. Ký Ức Tường Thuật: Được sử dụng để tận dụng các trải nghiệm cấp cao, Agent S sử dụng ký ức tường thuật để theo dõi lịch sử nhiệm vụ, từ đó nâng cao quy trình ra quyết định của nó. Ký Ức Tình Huống: Tính năng này cung cấp cho người dùng hướng dẫn từng bước, cho phép khung này cung cấp hỗ trợ theo ngữ cảnh khi các nhiệm vụ diễn ra. Hỗ Trợ OpenACI: Với khả năng chạy cục bộ, Agent S cho phép người dùng duy trì quyền kiểm soát đối với các tương tác và quy trình làm việc của họ, phù hợp với tinh thần phi tập trung của Web3. Tích Hợp Dễ Dàng với Các API Bên Ngoài: Tính linh hoạt và khả năng tương thích với nhiều nền tảng AI khác nhau đảm bảo rằng Agent S có thể hòa nhập liền mạch vào các hệ sinh thái công nghệ hiện có, làm cho nó trở thành lựa chọn hấp dẫn cho các nhà phát triển và tổ chức. Những chức năng này cùng nhau góp phần vào vị trí độc đáo của Agent S trong không gian tiền điện tử, khi nó tự động hóa các nhiệm vụ phức tạp, nhiều bước với sự can thiệp tối thiểu của con người. Khi dự án phát triển, các ứng dụng tiềm năng của nó trong Web3 có thể định nghĩa lại cách mà các tương tác kỹ thuật số diễn ra. Thời Gian Phát Triển của Agent S Sự phát triển và các cột mốc của Agent S có thể được tóm tắt trong một dòng thời gian nêu bật các sự kiện quan trọng của nó: 27 tháng 9, 2024: Khái niệm về Agent S được ra mắt trong một bài nghiên cứu toàn diện mang tên “Một Khung Tác Nhân Mở Sử Dụng Máy Tính Như Một Con Người,” trình bày nền tảng cho dự án. 10 tháng 10, 2024: Bài nghiên cứu được công bố công khai trên arXiv, cung cấp một cái nhìn sâu sắc về khung và đánh giá hiệu suất của nó dựa trên tiêu chuẩn OSWorld. 12 tháng 10, 2024: Một video trình bày được phát hành, cung cấp cái nhìn trực quan về khả năng và tính năng của Agent S, thu hút thêm sự quan tâm từ người dùng và nhà đầu tư tiềm năng. Những dấu mốc trong dòng thời gian không chỉ minh họa sự tiến bộ của Agent S mà còn chỉ ra cam kết của nó đối với sự minh bạch và sự tham gia của cộng đồng. Những Điểm Chính Về Agent S Khi khung Agent S tiếp tục phát triển, một số thuộc tính chính nổi bật, nhấn mạnh tính đổi mới và tiềm năng của nó: Khung Đổi Mới: Được thiết kế để cung cấp cách sử dụng máy tính trực quan giống như tương tác của con người, Agent S mang đến một cách tiếp cận mới cho việc tự động hóa nhiệm vụ. Tương Tác Tự Động: Khả năng tương tác tự động với máy tính thông qua GUI đánh dấu một bước tiến tới các giải pháp tính toán thông minh và hiệu quả hơn. Tự Động Hóa Nhiệm Vụ Phức Tạp: Với phương pháp mạnh mẽ của nó, nó có thể tự động hóa các nhiệm vụ phức tạp, nhiều bước, làm cho các quy trình nhanh hơn và ít sai sót hơn. Cải Tiến Liên Tục: Các cơ chế học tập cho phép Agent S cải thiện từ các trải nghiệm trước đó, liên tục nâng cao hiệu suất và hiệu quả của nó. Tính Linh Hoạt: Khả năng thích ứng của nó trên các môi trường hoạt động khác nhau như OSWorld và WindowsAgentArena đảm bảo rằng nó có thể phục vụ một loạt các ứng dụng rộng rãi. Khi Agent S định vị mình trong bối cảnh Web3 và tiền điện tử, tiềm năng của nó để nâng cao khả năng tương tác và tự động hóa quy trình đánh dấu một bước tiến quan trọng trong công nghệ AI. Thông qua khung đổi mới của mình, Agent S minh họa cho tương lai của các tương tác kỹ thuật số, hứa hẹn một trải nghiệm liền mạch và hiệu quả hơn cho người dùng trên nhiều ngành công nghiệp khác nhau. Kết luận Agent S đại diện cho một bước nhảy vọt táo bạo trong sự kết hợp giữa AI và Web3, với khả năng định nghĩa lại cách chúng ta tương tác với công nghệ. Mặc dù vẫn còn ở giai đoạn đầu, những khả năng cho ứng dụng của nó là rộng lớn và hấp dẫn. Thông qua khung toàn diện của mình giải quyết các thách thức quan trọng, Agent S nhằm đưa các tương tác tự động lên hàng đầu trong trải nghiệm kỹ thuật số. Khi chúng ta tiến sâu hơn vào các lĩnh vực tiền điện tử và phi tập trung, các dự án như Agent S chắc chắn sẽ đóng một vai trò quan trọng trong việc định hình tương lai của công nghệ và sự hợp tác giữa con người với máy tính.

Tổng lượt xem 914Xuất bản vào 2025.01.14Cập nhật vào 2025.01.14

Làm thế nào để Mua S

Chào mừng bạn đến với HTX.com! Chúng tôi đã làm cho mua Sonic (S) trở nên đơn giản và thuận tiện. Làm theo hướng dẫn từng bước của chúng tôi để bắt đầu hành trình tiền kỹ thuật số của bạn.Bước 1: Tạo Tài khoản HTX của BạnSử dụng email hoặc số điện thoại của bạn để đăng ký tài khoản miễn phí trên HTX. Trải nghiệm hành trình đăng ký không rắc rối và mở khóa tất cả tính năng. Nhận Tài khoản của tôiBước 2: Truy cập Mua Crypto và Chọn Phương thức Thanh toán của BạnThẻ Tín dụng/Ghi nợ: Sử dụng Visa hoặc Mastercard của bạn để mua Sonic (S) ngay lập tức.Số dư: Sử dụng tiền từ số dư tài khoản HTX của bạn để giao dịch liền mạch.Bên thứ ba: Chúng tôi đã thêm những phương thức thanh toán phổ biến như Google Pay và Apple Pay để nâng cao sự tiện lợi.P2P: Giao dịch trực tiếp với người dùng khác trên HTX.Thị trường mua bán phi tập trung (OTC): Chúng tôi cung cấp những dịch vụ được thiết kế riêng và tỷ giá hối đoái cạnh tranh cho nhà giao dịch.Bước 3: Lưu trữ Sonic (S) của BạnSau khi mua Sonic (S), lưu trữ trong tài khoản HTX của bạn. Ngoài ra, bạn có thể gửi đi nơi khác qua chuyển khoản blockchain hoặc sử dụng để giao dịch những tiền kỹ thuật số khác.Bước 4: Giao dịch Sonic (S)Giao dịch Sonic (S) dễ dàng trên thị trường giao ngay của HTX. Chỉ cần truy cập vào tài khoản của bạn, chọn cặp giao dịch, thực hiện giao dịch và theo dõi trong thời gian thực. Chúng tôi cung cấp trải nghiệm thân thiện với người dùng cho cả người mới bắt đầu và người giao dịch dày dạn kinh nghiệm.

Tổng lượt xem 1.7kXuất bản vào 2025.01.15Cập nhật vào 2026.06.02

Thảo luận

Chào mừng đến với Cộng đồng HTX. Tại đây, bạn có thể được thông báo về những phát triển nền tảng mới nhất và có quyền truy cập vào thông tin chuyên sâu về thị trường. Ý kiến của người dùng về giá của S (S) được trình bày dưới đây.