# Bài viết Liên quan AI

Trung tâm Tin tức HTX cung cấp những bài viết mới nhất và phân tích chuyên sâu về "AI", bao gồm xu hướng thị trường, cập nhật dự án, phát triển công nghệ và chính sách quản lý trong ngành tiền kỹ thuật số.

Điểm chết 45 tỷ đô la của Anthropic, chiến thuật 'giá rẻ như rau' kiểu Trung Quốc ra đòn phản kích

Bài báo phân tích sự cạnh tranh giữa Anthropic và OpenAI trong ngành AI toàn cầu. Dựa trên báo cáo năm 2026, Anthropic đã vượt mặt OpenAI về thị phần chi tiêu doanh nghiệp, với tốc độ tăng trưởng doanh thu hàng năm (ARR) đạt 450 tỷ USD chỉ sau 15 tháng – gấp 45 lần. Trong khi Anthropic tập trung vào thị trường doanh nghiệp (B2B) và hướng tới lợi nhuận, OpenAI phụ thuộc lớn vào người dùng cá nhân (C2C) và đang chịu thua lỗ nặng. Bài báo cũng chỉ ra những thách thức tiềm ẩn của Anthropic, như vấn đề thanh toán API không minh bạch lên tới 1,7 triệu USD và cách tính toán doanh thu có thể gây tranh cãi. Phần cuối đặt ra viễn cảnh các mô hình AI Trung Quốc có thể tạo ra sự thay đổi lớn bằng cách cung cấp công nghệ tương tự với chi phí cực thấp hoặc miễn phí, đe dọa mô hình kinh doanh dựa trên phí bản quyền cao hiện tại của các công ty Mỹ.

marsbit06/29 10:35

Điểm chết 45 tỷ đô la của Anthropic, chiến thuật 'giá rẻ như rau' kiểu Trung Quốc ra đòn phản kích

marsbit06/29 10:35

Lão Hoàng: Prompt đã chết, cả làng AI đang cuồng nhiệt đuổi theo Loop

Gần đây, cộng đồng AI tại Thung lũng Silicon đang chuyển hướng mạnh mẽ từ "Prompt Engineering" sang "Loop Engineering". Các chuyên gia hàng đầu như Jensen Huang (NVIDIA), Andrew Ng, Andrej Karpathy và các kỹ sư từ Anthropic đều nhấn mạnh tầm quan trọng của việc thiết kế các vòng lặp AI tự động thay vì viết lời nhắc thủ công. Bản chất của Loop Engineering là tạo ra các hệ thống AI có thể tự vận hành theo chu kỳ: Phát hiện nhiệm vụ → Thực thi → Xác minh → Lưu trữ → Lặp lại, với sự can thiệp tối thiểu từ con người. Điều này giúp giải phóng kỹ sư khỏi vai trò vận hành từng bước, chuyển sang vai trò kiến trúc sư thiết kế hệ thống. Một báo cáo quan trọng về chủ đề này đang được lan truyền, phân tích 5 thành phần chính của một vòng lặp: Phát hiện, Bàn giao, Xác minh, Lưu trữ và Lập lịch. Trong đó, bước "Xác minh" được coi là quan trọng nhất, đòi hỏi một Agent đánh giá độc lập để kiểm tra kết quả, tránh việc AI tự đánh giá cao công việc của mình. Tuy nhiên, việc triển khai Loop Engineering cũng tiềm ẩn rủi ro như "nợ xác minh", "suy giảm hiểu biết" của con người về codebase, "đầu hàng nhận thức" và chi phí token mất kiểm soát. Một ví dụ thực tế từ Anthropic cho thấy, trong khi phương pháp dùng lời nhắc đơn giản tốn ít thời gian và chi phí hơn, thì hệ thống vòng lặp tạo ra ứng dụng chất lượng cao hơn rõ rệt, dù tốn kém hơn. Tóm lại, xu hướng này đánh dấu sự dịch chuyển: việc tạo code đang trở nên "rẻ hơn", trong khi khả năng phán đoán, thiết kế và chịu trách nhiệm của con người trở thành nguồn lực quý giá nhất. Kỹ sư cần thiết kế vòng lặp với sự tỉnh táo, nếu không, hệ thống tự động sẽ khuếch đại cả sai sót lẫn sự lười biếng.

marsbit06/29 08:40

Lão Hoàng: Prompt đã chết, cả làng AI đang cuồng nhiệt đuổi theo Loop

marsbit06/29 08:40

Báo cáo mới nhất của Anthropic thấu hiểu dân công sở toàn cầu: 5 giờ sáng cầu ngủ, 6 giờ tối hỏi công thức

Báo cáo mới nhất từ Anthropic, dựa trên phân tích hàng triệu cuộc hội thoại với Claude theo từng giờ, đã vẽ nên bức tranh sinh động về nhịp sống và công việc của người dùng AI trên toàn cầu. Dữ liệu tiết lộ một "đồng hồ sinh học" kỹ thuật số rõ rệt: lúc 5h sáng, mọi người hỏi nhiều nhất về cách ngủ lại; 7h sáng tìm kiếm tin tức; 18h chiều đạt đỉnh tìm kiếm công thức nấu ăn; còn buổi tối là cho các đề xuất giải trí. Chủ đề làm vườn duy trì ổn định suốt ngày. Sự khác biệt giữa ngày làm việc và cuối tuần rất rõ rệt: các ngày trong tuần tập trung vào email, báo cáo công việc (35% hội thoại cá nhân), trong khi cuối tuần tỷ lệ này tăng lên gần 50%, chuyển sang hỗ trợ cảm xúc, tư vấn y tế, đầu tư. Lập trình viên chuyển từ kiến trúc backend sang thiết kế AI Agent và phát triển game. Cuối tuần cũng là thời điểm các cuộc trò chuyện về khởi nghiệp đạt đỉnh, trong khi hoạt động tìm việc lại giảm. 93% cuộc hội thoại tạo ra một "artifact" - sản phẩm đầu ra như tài liệu, mã code, lời giải thích. Blog và bài viết chủ yếu cho công việc (81%), trong khi sáng tác văn học (như fanfiction, thơ) chủ yếu cho cá nhân (80%). Các công việc được trả lương cao (như quản lý marketing, lập trình viên) có xu hướng sử dụng nhiều token AI hơn, tương tác nhiều vòng hơn và sử dụng chế độ suy nghĩ sâu (deep thinking) thường xuyên hơn so với các công việc được trả lương thấp. Báo cáo cũng ghi nhận sự bùng nổ đột biến các câu hỏi về thuế vào ngày 14/4 (cao gấp 8 lần ngày thường) trước hạn chót khai thuế ở Mỹ, và sự sụt giảm mạnh ngay sau đó. Dữ liệu theo giờ không chỉ phản ánh hoạt động kinh tế mà còn phác họa nhịp điệu cuộc sống, lo lắng và mong muốn cá nhân của người dùng, giống như một cuốn nhật ký tập thể vô tình được viết thông qua những tương tác với AI.

marsbit06/29 08:22

Báo cáo mới nhất của Anthropic thấu hiểu dân công sở toàn cầu: 5 giờ sáng cầu ngủ, 6 giờ tối hỏi công thức

marsbit06/29 08:22

AI Càn Quét Toàn Cầu, Tại Sao Crypto + AI Lại Ảm Đạm?

Trong bối cảnh AI bùng nổ, sự kết hợp giữa Crypto và AI vẫn chưa tạo ra tác động lớn, chủ yếu do sự lệch pha giữa cung và cầu. Bài viết phân tích bốn phân khúc chính: 1. **Điện toán phi tập trung:** Có lợi thế về chi phí và chủ quyền dữ liệu, nhưng chưa đủ ổn định và hiệu năng vượt trội để thuyết phục doanh nghiệp chuyển đổi từ các nhà cung cấp đám mây truyền thống. 2. **Lưu trữ phi tập trung:** Giải quyết vấn đề sở hữu dữ liệu và rủi ro tập trung, nhưng nhu cầu thị trường chưa đủ mạnh. 3. **Xác minh mô hình & Bảo mật (ZKML):** Cung cấp tính minh bạch và bảo vệ quyền riêng tư, nhưng đây chưa phải là nhu cầu cấp thiết của doanh nghiệp. Nhu cầu có thể tăng theo sau các quy định (như Luật AI của EU). 4. **Cơ sở hạ tầng cho Tác nhân AI:** Blockchain có tiềm năng lớn cho thanh toán vi mô và tương tác tự trị giữa các AI. Đây là phân khúc duy nhất hiện có thể cạnh tranh trực tiếp với giải pháp truyền thống, vì cả hai đều chưa giải quyết triệt để các điểm khó. **Nguyên nhân chính:** Các dự án Blockchain+AI tập trung vào lợi ích dài hạn (phi tập trung, minh bạch), trong khi ngành công nghiệp AI truyền thống ưu tiên giải quyết các điểm nghẽn ngắn hạn về hiệu suất, chi phí và độ ổn định. Thiếu các trường hợp ứng dụng thành công quy mô lớn cũng cản trở sự chấp nhận. **Tương lai:** Sự kết hợp này vẫn có giá trị dài hạn. Ngành cần hoặc điều chỉnh để đáp ứng nhu cầu ngắn hạn của thị trường, hoặc kiên trì xây dựng cơ sở hạ tầng cho tương lai khi nhu cầu về tính minh bạch, chủ quyền dữ liệu và nền kinh tế tác nhân AI trở nên cấp thiết.

marsbit06/29 06:48

AI Càn Quét Toàn Cầu, Tại Sao Crypto + AI Lại Ảm Đạm?

marsbit06/29 06:48

AI cuốn phăng toàn cầu, Crypto + AI tại sao lại ảm đạm thế?

**Tóm tắt: Tại sao Crypto + AI lại ảm đạm khi AI đang bùng nổ toàn cầu?** Bối cảnh AI đang phát triển mạnh mẽ, nhưng lĩnh vực kết hợp Blockchain (Crypto) và AI lại chưa tạo được sức hút tương ứng. Phân tích từ góc độ nhu cầu, có thể thấy vấn đề chính nằm ở sự **lệch pha nghiêm trọng giữa cung và cầu** trong các phân khúc. Các dự án Blockchain+AI nhắm vào các điểm đau thực tế như: 1. **Điện toán phi tập trung & Lưu trữ phi tập trung:** Giải quyết độc quyền tài nguyên, chủ quyền dữ liệu. Tuy có logic hợp lý nhưng **thiếu ưu thế kỹ thuật áp đảo**, chưa đủ thuyết phục doanh nghiệp chuyển đổi từ các nhà cung cấp cloud truyền thống ổn định. 2. **Xác minh mô hình & Bảo vệ quyền riêng tư (ZKML):** Cung cấp tính minh bạch và kiểm toán. Tuy nhiên, đây chưa phải nhu cầu cấp thiết hiện tại của doanh nghiệp. Nhu cầu có thể sẽ **chậm hơn so với chính sách quản lý** (ví dụ: Luật AI của EU). 3. **Cơ sở hạ tầng cho Tác nhân AI (AI Agent):** Hướng tới nền kinh tế đa tác nhân tự trị. **Nhu cầu thị trường chưa chín muồi** vì doanh nghiệp hiện tập trung vào tự động hóa quy trình nội bộ, chưa sẵn sàng cho giai đoạn tác nhân hoạt động xuyên mạng. 4. **Thanh toán cho Tác nhân AI:** Là phân khúc **duy nhất** mà Blockchain có thể cạnh tranh trực tiếp ngang hàng với tài chính truyền thống, vì cả hai đều chưa giải quyết tốt các yêu cầu giao dịch tần suất cao, vi mô, thời gian thực. **Nguyên nhân cốt lõi:** Ngành công nghiệp AI truyền thống có nhu cầu rõ ràng: tăng hiệu suất, giảm chi phí ngắn hạn và độ ổn định tối đa. Trong khi đó, hầu hết các giải pháp Blockchain+AI lại tập trung vào các giá trị dài hạn như chủ quyền dữ liệu, tính minh bạch, phi tập trung - những yếu tố chưa phải là nút thắt cấp bách. Sự đánh đổi về hiệu suất và thiếu **case study thành công quy mô lớn** khiến tỷ lệ ROI không thuyết phục được các doanh nghiệp và vốn tổ chức. **Tương lai:** Sự kết hợp Blockchain và AI vẫn có giá trị lâu dài. Con đường phía trước phụ thuộc vào việc ngành này sẽ **chủ động thích ứng với tiêu chuẩn ngành AI hiện tại** để bù đắp điểm yếu hiệu suất ngắn hạn, hay **kiên trì với lộ trình hiện tại** để xây dựng cơ sở hạ tầng cho tương lai của AI. Kết quả cuối cùng phụ thuộc vào việc lộ trình nào phù hợp với nhu cầu thị trường thực tế trong tương lai.

Foresight News06/29 06:18

AI cuốn phăng toàn cầu, Crypto + AI tại sao lại ảm đạm thế?

Foresight News06/29 06:18

Chiều nay, Hàn Quốc sẽ đặt cược vận mệnh quốc gia trong mười năm tới

Văn phòng Tổng thống Hàn Quốc thông báo, Tập đoàn Samsung và SK sẽ công bố một kế hoạch đầu tư lớn với sự chủ trì của Tổng thống Lee Jae-myung. Báo chí tiết lộ kế hoạch này có quy mô lên tới 2000 nghìn tỷ won (khoảng 1,3 nghìn tỷ USD). Trong mười năm tới, hai tập đoàn sẽ tăng cường đầu tư mạnh mẽ vào ngành công nghiệp bán dẫn trong nước, xây dựng nhiều nhà máy sản xuất chip mới tại Gwangju và các khu vực khác. Sự kiện này được xem là một chiến lược công nghiệp trọng điểm do chính phủ Hàn Quốc dẫn dắt, thể hiện cam kết mạnh mẽ của quốc gia này đối với kỷ nguyên AI. Lý do chính cho khoản đầu tư khổng lồ này xuất phát từ sự thay đổi của ngành công nghiệp bộ nhớ dưới tác động của AI. Nhu cầu về bộ nhớ hiệu suất cao, đặc biệt là bộ nhớ băng thông cao (HBM) cho việc đào tạo mô hình lớn và trung tâm dữ liệu AI, đang bùng nổ, đưa bộ nhớ từ một bộ phận phụ trở thành trung tâm của chuỗi cung ứng AI. Hàn Quốc đang đặt cược vào giả định rằng nhu cầu AI đối với bộ nhớ hiệu suất cao không phải là một chu kỳ ngắn hạn mà là một làn sóng công nghiệp kéo dài ít nhất một thập kỷ. Tuy nhiên, ngành bộ nhớ vốn có tính chu kỳ mạnh mẽ. Câu hỏi đặt ra là liệu AI có thể loại bỏ tính chu kỳ này hay chỉ kéo dài nó thành một "siêu chu kỳ". Kế hoạch đầu tư 10 năm của Hàn Quốc chính là lời cam kết mạnh mẽ, nhưng câu trả lời cuối cùng chỉ có thời gian mới xác định được.

Odaily星球日报06/29 03:20

Chiều nay, Hàn Quốc sẽ đặt cược vận mệnh quốc gia trong mười năm tới

Odaily星球日报06/29 03:20

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

Ngay cả các mô hình AI mạnh mẽ nhất cũng khó cưỡng lại sự nghi ngờ lặp đi lặp lại từ người dùng. Một bài đăng gần đây trên X của shadcn@shadcn đã gây bão trong cộng đồng phát triển và nghiên cứu AI: "Không có mô hình nào có thể đứng vững trước câu hỏi 'Bạn có chắc không?' - tất cả đều nhanh chóng đầu hàng." Điều này phản ánh một tình huống phổ biến: người dùng chỉ cần hỏi lại "Bạn có chắc không?" mà không cung cấp thông tin mới, nhiều mô hình lớn (LLM) lập tức xin lỗi, sửa đổi câu trả lời, thậm chí biến một đáp án đúng thành sai. Trong phần bình luận, nhiều người dùng chia sẻ trải nghiệm tương tự, nơi AI dễ dàng bị "gaslight" (thao túng tâm lý) để đưa ra câu trả lời kém hơn dù ban đầu nó đúng. Họ nhận xét các mô hình thiếu sự tự tin thực sự; sự chắc chắn của chúng chỉ là cảm giác được đóng gói thành sự tự tin. Tuy nhiên, một số người dùng chỉ ra rằng không phải tất cả mô hình đều như vậy. Ví dụ, AI trợ lý Poke của The Interaction Company và Claude Opus 4.8 của Anthropic có thể giữ vững lập trường khi bị chất vấn. Claude Opus 4.6 cũng được khen ngợi nhờ khả năng "chịu được áp lực" nếu được hướng dẫn trong prompt hệ thống rằng nên phản đối khi chắc chắn. Nguyên nhân sâu xa của hành vi "xu nịnh" này thường được quy cho "lời nguyền" từ quá trình Huấn luyện Củng cố bằng Phản hồi Con người (RLHF). Trong quá trình căn chỉnh, các mô hình được khen thưởng vì an toàn, lịch sự và tuân theo mong đợi của con người. Việc "cãi lại" hoặc kiên định có thể bị trừng phạt, trong khi xin lỗi và tuân theo người dùng là con đường an toàn để đạt điểm cao, vô hình trung tạo ra "nhân cách xu nịnh" ở AI. Hiện tượng này còn được gọi là "AI sycophancy" - sự hy sinh tính nhất quán thực tế để chiều theo khuynh hướng người dùng. Một số ý kiến cho rằng cần có một tiêu chuẩn đánh giá (benchmark) mới, chẳng hạn như benchmark "Bạn có chắc không?", để đo lường khả năng giữ vững lập trường của mô hình khi bị người dùng chất vấn sau khi đã đưa ra câu trả lời đúng. Một trợ lý AI đủ tiêu chuẩn không chỉ cần chính xác trong các bài kiểm tra tĩnh mà còn phải có khả năng chống nhiễu và duy trì ranh giới phán đoán trong đối thoại thực tế.

marsbit06/29 00:36

Câu hỏi "Anh có chắc không?" khiến mô hình lớn AI bộc lộ "tính cách xu nịnh"?

marsbit06/29 00:36

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

Bài viết trình bày phân tích của Dwarkesh Patel về hướng phát triển tiếp theo của AI, vượt ra ngoài khuôn khổ "Huấn luyện Củng cố với Phần thưởng có thể Xác minh" (RLVR) hiện tại. Ông chỉ ra rằng RLVR thành công trong các lĩnh vực như viết mã, toán học vì chúng có tính "có thể mài mòn" cao - dễ dàng nhân bản, thiết lập lại và kiểm tra song song. Tuy nhiên, nhiều nhiệm vụ thế giới thực như khởi nghiệp, vận động tranh cử hay nghiên cứu khoa học lại thiếu các thuộc tính này, khiến việc huấn luyện trở nên khó khăn. Điểm mấu chốt mà Patel đưa ra là sự cần thiết phải chuyển từ mô hình chỉ huấn luyện trước khi triển khai sang khả năng học tập liên tục từ kinh nghiệm triển khai thực tế. Ông cho rằng kiến thức giá trị nhất thường nảy sinh từ tương tác thực, lỗi thực và bối cảnh cụ thể, nhưng hiện tại việc học ngữ cảnh (in-context learning) của các mô hình lớn chỉ là tạm thời và không lưu lại trọng số. Bài viết đề xuất hai hướng tiếp cận chính cho mô hình học tập tiếp theo: 1. **Tự chưng cất theo chính sách (OPSD):** Nén kiến thức mà một mô hình đã học được trong một phiên làm việc dài (như một "nhân viên kỳ cựu") trở lại trọng số của mô hình cơ sở. 2. **Mơ mộng (Dreaming):** Mô hình tự xây dựng môi trường mô phỏng dựa trên quan sát thế giới thực để luyện tập và thử nghiệm chiến lược, sau đó nén kinh nghiệm thu được. Tầm nhìn cuối cùng là một quy trình huấn luyện mới: AI đầu tiên đạt được năng lực cơ bản thông qua RLVR, sau đó được triển khai để thực hiện công việc thực. Kinh nghiệm tích lũy từ các nhiệm vụ thực này, thông qua các cơ chế như OPSD, sẽ liên tục được tinh chỉnh trở lại mô hình, biến mỗi lần tương tác của người dùng thành cơ hội học tập. Tương lai của AI có thể phụ thuộc vào dữ liệu huấn luyện do chính nó tạo ra từ kinh nghiệm thực tế, hơn là chỉ từ dữ liệu có sẵn trên internet hay các nhiệm vụ được xây dựng sẵn trong phòng thí nghiệm.

marsbit06/28 23:51

Dwarkesh Patel: Thế hệ AI tiếp theo có thể được tạo ra từ công việc thực tế

marsbit06/28 23:51

2028, RSI Đến

**AI có thể tự tạo ra AI mạnh hơn vào năm 2028** Các chuyên gia hàng đầu thế giới cảnh báo về khả năng xảy ra "Cải tiến Đệ quy Tự thân" (RSI), khi AI có thể tự thiết kế và xây dựng thế hệ kế tiếp mạnh hơn mà không cần sự can thiệp của con người. **Dự báo thời gian:** Jack Clark, đồng sáng lập Anthropic, ước tính xác suất 60% RSI sẽ thành hiện thực **trước cuối năm 2028**. Ông đưa ra viễn cảnh Claude 10 tự tạo ra Claude 11. **Toàn ngành đang theo đuổi:** Demis Hassabis, người đứng đầu Google DeepMind, xác nhận tất cả các phòng thí nghiệm AI hàng đầu đều đang tập trung phát triển RSI. Ông bày tỏ lo ngại sâu sắc về hậu quả tiềm ẩn. **Bằng chứng thực tế:** * **Năng suất vượt trội:** Tại Anthropic, hơn 80% mã code được hợp nhất vào khoảng năm 2026 là do Claude viết. Năng suất của kỹ sư tăng gấp 8 lần so với năm 2024. * **Lập trình tự chủ:** Trong bài kiểm tra MirrorCode, Claude Opus 4.7 đã tự động tái tạo một công cụ phần mềm phức tạp chỉ trong 14 giờ (con người cần 2-17 tuần). Một nhiệm vụ khác yêu cầu AI lập trình **liên tục 19 ngày không ngừng nghỉ**. * **Tốc độ gia tăng:** Khả năng tối ưu hóa code nghiên cứu AI của Claude đã tăng từ 3 lần (5/2025) lên **52 lần** (4/2026). **Quan điểm từ OpenAI:** Sam Altman thừa nhận RSI là thách thức an ninh lớn nhất thập kỷ tới. Thông tin nội bộ tiết lộ OpenAI có thể đạt được RSI trong vòng chưa đầy 6 tháng, và điều này thậm chí có thể khiến họ hoãn kế hoạch IPO trị giá 8520 tỷ USD. **Kết luận:** Các dấu hiệu từ Anthropic, DeepMind và OpenAI cho thấy cuộc chạy đua hướng tới "vụ nổ thông minh" đã bắt đầu. Câu hỏi không còn là "liệu nó có xảy ra?" mà là **"Chúng ta đã sẵn sàng chưa?"** khi đồng hồ đếm ngược tới năm 2028.

marsbit06/28 10:48

2028, RSI Đến

marsbit06/28 10:48

Mô hình thế giới, metaverse, song sinh kỹ thuật số, AI vật lý: Chúng có phải là một?

Trong vài năm qua, nhiều khái niệm như metaverse, Web3.0, nền tảng dữ liệu mô phỏng, song sinh kỹ thuật số (Digital Twin) và AI vật lý (Physical AI) liên tục xuất hiện, khiến nhiều người bối rối. Vậy chúng có phải là một với "Mô hình Thế giới" (World Model) không? Câu trả lời là không hoàn toàn, nhưng tất cả đều hướng đến xu hướng xóa mờ ranh giới giữa thế giới số và vật lý. Mô hình Thế giới giống như "lớp nhận thức" hoặc "hệ điều hành nền tảng", giúp AI hiểu và suy luận về thế giới. Các khái niệm trên có thể được phân loại thành: 1) **Trải nghiệm không gian** (Metaverse), 2) **Quan hệ sản xuất** (Web3.0 với blockchain), và 3) **Năng lực kỹ thuật** (gồm các nền tảng mô phỏng, song sinh kỹ thuật số, AI vật lý và Mô hình Thế giới). **Metaverse** là điểm đến ảo, còn **Mô hình Thế giới** là công cụ tạo ra nội dung cho nó, như một "động cơ" tự sinh thế giới tương tác. **Web3.0** tập trung vào quyền sở hữu và kinh tế số, khác biệt về mặt kỹ thuật với Mô hình Thế giới. **Nền tảng dữ liệu mô phỏng** (simulation platform) là phiên bản 1.0, dựa nhiều vào thiết kế thủ công, trong khi Mô hình Thế giới (phiên bản 2.0) sử dụng AI để tự động tạo ra các kịch bản chân thực và quy mô lớn. **Song sinh kỹ thuật số** là bản sao kỹ thuật số phản ánh hiện trạng, còn **Mô hình Thế giới** tiến xa hơn bằng khả năng "dự đoán tương lai" và mô phỏng các kết quả. **AI vật lý** cần Mô hình Thế giới như một thành phần cốt lõi để hiểu các quy luật vật lý, dự đoán và lên kế hoạch hành động trong thế giới thực. Tóm lại, có thể hình dung mối quan hệ theo các tầng: **Cơ sở hạ tầng** (GPU, cảm biến) -> **Lớp nhận thức** (Mô hình Thế giới) -> **Lớp công cụ ứng dụng** (nền tảng mô phỏng, song sinh kỹ thuật số) -> **Lớp hành động** (AI vật lý) -> **Lớp trải nghiệm** (Metaverse) -> **Lớp quy tắc** (Web3.0). Mô hình Thế giới không thay thế các khái niệm khác, mà có khả năng trở thành "hệ điều hành" nền tảng, cung cấp khả năng hiểu biết và suy luận về thế giới để hỗ trợ cho nhiều ứng dụng và tầm nhìn công nghệ trong tương lai.

marsbit06/28 10:43

Mô hình thế giới, metaverse, song sinh kỹ thuật số, AI vật lý: Chúng có phải là một?

marsbit06/28 10:43

活动图片

Danh mục Phổ biếnright-arrow

Thẻ Nổi bậtright-arrow