# Bài viết Liên quan Đào tạo

Trung tâm Tin tức HTX cung cấp những bài viết mới nhất và phân tích chuyên sâu về "Đào tạo", 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.

DeepSeek bí mật tự sản xuất chip, chuyên tấn công vào lĩnh vực suy luận, đã khởi động từ một năm trước, quá trình tuyển dụng hoàn toàn không công khai

DeepSeek, công ty AI Trung Quốc nổi tiếng với các mô hình thuật toán, đang bí mật phát triển chip AI tự thiết kế của riêng mình, với mục tiêu giảm sự phụ thuộc vào Nvidia. Theo nguồn tin từ Reuters, dự án tập trung vào chip chuyên cho suy luận (inference) hơn là đào tạo (training) và đã được khởi động từ khoảng một năm trước. Dự án hiện vẫn trong giai đoạn đầu. DeepSeek được cho là đã tiếp xúc với các công ty thiết kế chip, nhà máy sản xuất bán dẫn và nhà cung cấp bộ nhớ. Công ty đã tuyển dụng kỹ sư thiết kế chip một cách kín đáo, không đăng thông tin trên các nền tảng tuyển dụng công khai. Xu hướng này không đơn lẻ khi các hãng AI lớn như OpenAI và Anthropic cũng đang theo đuổi chip tự thiết kế. DeepSeek, vốn đã tối ưu hóa thuật toán để hiệu quả hơn trên phần cứng hiện có (như chip Nvidia H800 hay Huawei Ascend), nay muốn kiểm soát hoàn toàn nền tảng phần cứng. Chip chuyên dụng cho suy luận có thể mang lại hiệu quả chi phí và năng lượng cao hơn, yếu tố quan trọng cho việc mở rộng thương mại hóa. Kế hoạch được hậu thuẫn bởi khoản tài trợ 74 tỷ USD (khoảng 510 tỷ nhân dân tệ) mà DeepSeek huy động được vào tháng 6/2026. Số tiền này sẽ dùng cho việc xây dựng trung tâm dữ liệu dùng chip nội địa, tự nghiên cứu chip AI và mở rộng đội ngũ nhân tài. Công ty cũng đang tuyển dụng kỹ sư thiết kế trung tâm dữ liệu, với các địa điểm được đề cập như Ulanqab, Nội Mông. Mặc dù vậy, thách thức vẫn rất lớn vì việc phát triển một con chip AI cạnh tranh đòi hỏi nhiều năm và nguồn vốn khổng lồ, với kết quả không được đảm bảo. DeepSeek vẫn giữ thái độ im lặng trước thông tin này.

marsbit3 giờ trước

DeepSeek bí mật tự sản xuất chip, chuyên tấn công vào lĩnh vực suy luận, đã khởi động từ một năm trước, quá trình tuyển dụng hoàn toàn không công khai

marsbit3 giờ trước

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

Bộ Dữ Liệu Đào Tạo Doc2Repo Dài Hạn Đầu Tiên, Code Agent Không Chỉ Sửa Lỗi, Bắt Đầu Tạo Kho Lưu Trữ

Khả năng của Code Agent đang dần vượt ra ngoài việc sửa lỗi đơn lẻ, tiến tới các nhiệm vụ dài hạn cấp repository. Nghiên cứu mới từ Đại học Nhân dân Trung Quốc giới thiệu DeNovoSWE - tập dữ liệu đào tạo đầu tiên dành riêng cho việc tạo mã cấp kho lưu trữ từ đầu. Tập dữ liệu này chứa 4.818 nhiệm vụ chất lượng cao, được xây dựng thông qua cơ chế "Chia để trị" (Divide & Conquer) và "Phê bình & Sửa chữa" (Critic & Repair), nhằm giải quyết thách thức trong việc tạo toàn bộ kho mã chức năng từ một tài liệu mô tả. Phương pháp này phân tích kho mã mục tiêu thành các "năng lực" (capabilities), sau đó sử dụng một quy trình đa tác nhân để tự động tạo tài liệu nhiệm vụ rõ ràng, có cấu trúc, vừa đủ chi tiết để đánh giá nhưng không làm lộ chi tiết triển khai. Một kỹ thuật lọc theo độ khó được áp dụng để cân bằng giữa chất lượng và tính đa dạng của dữ liệu. Kết quả thử nghiệm cho thấy hiệu quả rõ rệt: Mô hình Qwen3-30B-A3B-Instruct được huấn luyện trên DeNovoSWE đã cải thiện hiệu suất trên benchmark BeyondSWE-Doc2Repo từ 5.8% lên 47.2% và trên NL2RepoBench từ 4.3% lên 23.0%. Điều này khẳng định nhu cầu về dữ liệu được thiết kế đặc biệt cho các tác vụ dài hạn, thay vì chỉ dựa vào dữ liệu sửa lỗi thông thường. DeNovoSWE đánh dấu một bước tiến quan trọng, cung cấp môi trường đào tạo có hệ thống để phát triển các Code Agent thực sự có khả năng hiểu yêu cầu, lập kế hoạch kiến trúc và tạo ra toàn bộ kho phần mềm có thể thực thi.

marsbit06/25 08:53

Bộ Dữ Liệu Đào Tạo Doc2Repo Dài Hạn Đầu Tiên, Code Agent Không Chỉ Sửa Lỗi, Bắt Đầu Tạo Kho Lưu Trữ

marsbit06/25 08:53

Thách Thức Về Sức Mạnh Tính Toán Trong Cuộc Chơi AI Giữa Trung Quốc Và Mỹ

Dưới bàn cờ AI Mỹ-Trung, sức mạnh tính toán (computing power) là vấn đề cấp thiết. Trong khi các công ty Mỹ như Meta, Google, Microsoft và Amazon đang đầu tư hàng nghìn tỷ USD để xây dựng cơ sở hạ tầng AI khổng lồ với hàng triệu GPU cao cấp (như H100 của NVIDIA), thì Trung Quốc lại đối mặt với tình trạng thiếu hụt nghiêm trọng chip đào tạo AI tiên tiến do các lệnh trừng phạt. Sự chênh lệch về nền tảng tính toán là rất lớn: Mỹ có quy mô tính toán gấp đôi Trung Quốc và kiểm soát hơn 70% GPU cao cấp toàn cầu. Điều này cho phép các công ty Mỹ như xAI của Elon Musk hay Anthropic đào tạo nhiều mô hình tham số nghìn tỷ một cách nhanh chóng, trong khi mô hình mạnh nhất của Trung Quốc, DeepSeek V4 Pro (1.6 nghìn tỷ tham số), vẫn đang cố gắng bắt kịp các mô hình 10 nghìn tỷ tham số của Mỹ. Các chuyên gia ước tính Mỹ đang dẫn trước khoảng 8-15 tháng. Ngành công nghiệp chip AI Trung Quốc, với các công ty như Huawei, Biren, Moore Threads, đang phát triển mạnh mẽ nhờ chính sách thay thế nhập khẩu. Tuy nhiên, họ chủ yếu tập trung vào thị trường chip suy luận (inference) ít đòi hỏi hơn, trong khi vẫn gặp khó khăn ở phân khúc chip đào tạo (training) cao cấp. Khoảng cách về hiệu năng tuyệt đối và đặc biệt là hệ sinh thái phần mềm (như CUDA của NVIDIA) vẫn là những rào cản lớn. Dù vậy, đã có những tiến bộ ban đầu. Một số mô hình AI đã được đào tạo thành công trên nền tảng phần cứng trong nước (như chip Ascend của Huawei), chứng minh tính khả thi. Con đường phía trước đòi hỏi sự kiên nhẫn, đầu tư dài hạn và sự hợp tác chặt chẽ trong toàn bộ chuỗi công nghiệp. Với thị trường nội địa rộng lớn, nguồn nhân lực và vốn dồi dào, ngành công nghiệp chip AI Trung Quốc đang dần thu hẹp khoảng cách trong cuộc đua công nghệ mang tính quyết định này.

marsbit06/22 10:24

Thách Thức Về Sức Mạnh Tính Toán Trong Cuộc Chơi AI Giữa Trung Quốc Và Mỹ

marsbit06/22 10:24

Robot đã bắt đầu 'ăn' dữ liệu: Từ nhà máy dữ liệu Ấn Độ đến chuỗi sản xuất ngầm của robot hình người trị giá hàng tỷ USD

Ngành công nghiệp robot đang đối mặt với một điểm nghẽn lớn: dữ liệu huấn luyện. Khác với mô hình ngôn ngữ lớn (LLM) có sẵn kho dữ liệu khổng lồ trên internet, robot thể hiện (embodied AI) cần học hỏi từ thế giới vật lý - một "sa mạc dữ liệu". Để lấp đầy khoảng trống này, một chuỗi cung ứng dữ liệu mới đang hình thành nhanh chóng. Trọng tâm là thu thập dữ liệu góc nhìn thứ nhất (Ego Data). Tại các "nhà máy dữ liệu" ở Ấn Độ hay Đông Nam Á, công nhân đeo camera trên đầu hoặc găng tay cảm biến để ghi lại quy trình làm các công việc như sắp xếp quần áo, thu dọn bếp, cầm nắm đồ vật. Những video này, sau khi được xử lý và gắn nhãn, được bán cho các công ty robot như Figure, Tesla để huấn luyện mô hình, giúp robot hiểu được logic không gian và quy tắc tương tác vật lý từ con người. Các loại dữ liệu tạo thành một "kim tự tháp" với giá trị khác nhau. Đáy là dữ liệu internet miễn phí nhưng ít giá trị thực thi. Cao hơn là Ego Data (vài chục USD/giờ), rồi đến dữ liệu với găng tay cảm biến và dữ liệu mô phỏng. Đỉnh kim tự tháp là dữ liệu từ robot thật (teleoperation) - quý giá nhưng đắt đỏ, có thể lên tới hàng trăm hoặc nghìn USD/giờ do chi phí thiết bị và vận hành cao. Thị trường phía sau bao gồm nhiều nhóm: nhà máy dữ liệu chi phí thấp chuyên Ego Data; công ty tập trung vào ánh xạ cử động để dịch hành động người sang robot; nhà cung cấp dịch vụ thu thập dữ liệu từ robot thật; công ty dữ liệu tổng hợp mô phỏng; và các nền tảng hướng tới chuẩn hóa dữ liệu. Các công ty robot có xu hướng "mua ngoài" dữ liệu cơ bản (như Ego Data) để robot hiểu thế giới, nhưng tự xây dựng đội ngũ thu thập dữ liệu riêng cho phần tối ưu hóa khả năng vận hành cụ thể của robot mình và tích lũy dữ liệu từ các tình huống thất bại trong triển khai thực tế - thứ tạo nên lợi thế cạnh tranh. Giống như Scale AI trong lĩnh vực LLM, ngành robot cũng đang chờ đợi sự xuất hiện của những công ty cung cấp hạ tầng dữ liệu toàn diện, không chỉ là dữ liệu thô mà là một vòng lặp khép kín từ thu thập, gắn nhãn, mô phỏng đến đánh giá mô hình. Khi robot dần ổn định về mặt cơ học, cuộc đua sẽ chuyển hướng sang khả năng "cho robot ăn" lượng dữ liệu chất lượng khổng lồ để chúng có thể hoạt động tự chủ trong môi trường phức tạp.

marsbit06/13 03:38

Robot đã bắt đầu 'ăn' dữ liệu: Từ nhà máy dữ liệu Ấn Độ đến chuỗi sản xuất ngầm của robot hình người trị giá hàng tỷ USD

marsbit06/13 03:38

Bản đồ toàn cảnh AI phi tập trung năm 2026: Tại sao blockchain là 'liều thuốc giải' không thể bỏ qua của AI?

**AI phi tập trung năm 2026: Tại sao blockchain là 'liều thuốc giải' không thể thiếu?** AI tập trung đối mặt nhiều hạn chế cấu trúc: tài nguyên tính toán khan hiếm, kiểm soát tập trung quá mức, đầu ra không thể xác minh, và khó khăn trong thu thập dữ liệu huấn luyện. Blockchain có thể giải quyết những vấn đề này bằng cách làm cho trí tuệ nhân tạo trở nên mở, có thể kiểm chứng và dễ tiếp cận về mặt kinh tế. Bản đồ hệ sinh thái AI phi tập trung gồm ba tầng: 1. **Tầng Ứng dụng & Dịch vụ:** Tập trung vào Tài chính Tác tử (ví dụ: giao dịch tự động, tối ưu hóa yield farming) và Thanh toán Tác tử (máy thanh toán cho máy), với các giao thức như x402 xử lý hàng trăm triệu giao dịch. 2. **Tầng Middleware (Phần mềm trung gian):** Giải quyết việc phối hợp, danh tính và danh tiếng của các tác tử AI. Các dự án như Bittensor (mạng lưới các subnet chuyên biệt), NEAR, và Virtuals đang xây dựng nền tảng cho nền kinh tế tác tử. 3. **Tầng Cơ sở hạ tầng:** Cung cấp nền tảng tính toán, suy luận, huấn luyện, dữ liệu và lưu trữ phi tập trung. Các mạng như Akash, Render cung cấp điện toán giá rẻ; Filecoin, Grass cung cấp lưu trữ và dữ liệu; trong khi Nillion, Phala Network tập trung vào lớp riêng tư và xác minh. Xu hướng 2026-2027: Nhu cầu AI tăng nhanh hơn cơ sở hạ tầng. Điện toán đang trở thành một loại tài sản, và thị trường on-chain là lớp tài chính của nó. Kinh tế token là lợi thế cấu trúc để phối hợp vốn, tính toán và dữ liệu. Kết luận: AI phi tập trung đang phát triển mạnh mẽ, chuyển từ giai đoạn đầu tư mạo hiểm sang một mô hình phối hợp mới cho tính toán, dữ liệu và vốn, mặc dù việc áp dụng vẫn chưa đồng đều và việc nắm bắt giá trị cần được thiết kế đúng đắn.

Foresight News06/11 10:06

Bản đồ toàn cảnh AI phi tập trung năm 2026: Tại sao blockchain là 'liều thuốc giải' không thể bỏ qua của AI?

Foresight News06/11 10:06

Tội Phạm Tiền Mã Hóa Trong Tầm Ngắm Khi Chainalysis Hợp Tác Với Cảnh Sát Hàn Quốc

Công ty phân tích blockchain Chainalysis đã ký Biên bản ghi nhớ (MoU) với Cơ quan Cảnh sát Quốc gia Hàn Quốc (KNPA) nhằm tăng cường năng lực điều tra tội phạm tài sản ảo. Thỏa thuận cung cấp cho các điều tra viên Hàn Quốc quyền truy cập vào các chương trình đào tạo, chứng nhận chuyên môn và hướng dẫn thực hành từ Chainalysis. Động thái này diễn ra trong bối cảnh các vụ trộm cắp tiền mã hóa liên quan đến Triều Tiên gia tăng, với thiệt hại ước tính lên tới 2 tỷ USD vào năm 2025. Mặc dù các mối đe dọa an ninh quốc gia là trọng tâm, đối tác được thiết kế để xây dựng năng lực thể chế rộng rãi hơn, cung cấp cho cảnh sát tầm nhìn toàn cầu về dòng tiền bất hợp pháp trên các blockchain. MoU tiếp nối sự ra mắt gần đây của Lực lượng Đặc nhiệm Xóa bỏ Rửa tiền vào tháng 5, cho thấy nỗ lực phối hợp của chính quyền Hàn Quốc trong việc đối phó với tội phạm tài chính dựa trên tiền mã hóa, từ hacker được nhà nước bảo trợ đến các lừa đảo nhắm vào nhà đầu tư bình thường. Mục tiêu là trang bị lâu dài cho KNPA, vượt ra ngoài bất kỳ cuộc điều tra riêng lẻ nào.

bitcoinist06/11 10:02

Tội Phạm Tiền Mã Hóa Trong Tầm Ngắm Khi Chainalysis Hợp Tác Với Cảnh Sát Hàn Quốc

bitcoinist06/11 10:02

Mô hình Grok mới nhất được "ăn thêm" dữ liệu Cursor, Elon Musk: Khả năng Coding được cải thiện đáng kể

Elon Musk thông báo mô hình cơ sở mới của xAI, Grok V9-Medium (1.5T), đã hoàn thành huấn luyện và dự kiến ra mắt sau 2-3 tuần. Mô hình này được nhấn mạnh về khả năng lập trình với quy mô tham số gấp ba lần thế hệ trước. Đặc biệt, nó được bổ sung huấn luyện bằng lượng lớn dữ liệu từ Cursor - công cụ lập trình AI mà xAI đã mua lại với giá 600 tỷ USD, nhằm nâng cao hiểu biết thực tế về quy trình phát triển phần mềm. Song song, xAI cũng đang thử nghiệm beta công cụ đại lý lập trình AI riêng có tên Grok Build. Công cụ này hoạt động như một CLI, hỗ trợ lập kế hoạch, xử lý tác vụ song song với nhiều tiểu đại lý, và có thể tích hợp qua nhiều giao thức. Động thái này cho thấy chiến lược của Musk trong việc nhanh chóng tận dụng tài nguyên và chuyên môn từ Cursor để tăng cường năng lực coding cho Grok, cạnh tranh trực tiếp trong thị trường công cụ phát triển phần mềm AI.

marsbit05/26 04:20

Mô hình Grok mới nhất được "ăn thêm" dữ liệu Cursor, Elon Musk: Khả năng Coding được cải thiện đáng kể

marsbit05/26 04:20

GensynAI : Đừng để AI lặp lại sai lầm của Internet

Trong vài tháng qua, sự bùng nổ của ngành AI đã thu hút nhiều nhân tài từ lĩnh vực crypto chuyển hướng sang. Một câu hỏi lớn được đặt ra là: blockchain liệu có thể trở thành một phần của cơ sở hạ tầng AI? Trong khi nhiều dự án AI + Crypto tập trung vào tầng ứng dụng, Gensyn tiếp cận lớp lõi và tốn kém nhất: **huấn luyện mô hình**. Gensyn xây dựng một mạng lưới huấn luyện AI mở, kết nối các tài nguyên GPU phân tán toàn cầu. Các nhà phát triển có thể gửi tác vụ huấn luyện, trong khi các nút cung cấp sức mạnh tính toán. Mạng lưới xác minh kết quả và phân phối phần thưởng. Điều đáng chú ý không chỉ là "phi tập trung" mà là giải pháp cho vấn đề then chốt: sức mạnh tính toán đang ngày càng tập trung vào các ông lớn, tạo ra rào cản cho sự phát triển AI. Bài viết nêu bật bốn điểm chính về Gensyn: 1. **Tiếp cận tầng cơ sở hạ tầng lõi**: Gensyn tham gia trực tiếp vào khâu huấn luyện - phần đòi hỏi kỹ thuật cao và tiêu tốn nhiều tài nguyên nhất, có khả năng tạo ra rào cản nền tảng. 2. **Cung cấp mô hình hợp tác mở**: Thay vì phụ thuộc vào các nền tảng đám mây tập trung đắt đỏ, Gensyn huy động GPU nhàn rỗi, cho phép điều phối tài nguyên linh hoạt, tối ưu chi phí và hiệu quả cho cả nhóm AI quy mô vừa và nhỏ. 3. **Rào cản kỹ thuật là lợi thế cạnh tranh**: Thách thức thực sự nằm ở việc xác minh kết quả huấn luyện và đảm bảo độ tin cậy trong môi trường phân tán. Các cơ chế như xác minh xác suất và hệ thống phối hợp nút của Gensyn tạo nên lợi thế công nghệ quan trọng. 4. **Đã hình thành vòng lặp thương mại thực tế**: Gensyn đáp ứng một nhu cầu thị trường có thật và đang tăng trưởng – đó là sự thiếu hụt GPU cho nhu cầu huấn luyện AI toàn cầu, chứ không đơn thuần là một câu chuyện công nghệ. Ranh giới giữa Crypto và AI đang dần mờ đi. AI cần cơ chế phối hợp tài nguyên, khuyến khích và hợp tác toàn cầu – những thế mạnh của Crypto. Gensyn hướng tới việc biến năng lực huấn luyện thành một hệ thống mở và có thể hợp tác, không còn là độc quyền của một số ít gã khổng lồ, từ đó thúc đẩy sự phát triển của cả ngành.

marsbit05/10 09:45

GensynAI : Đừng để AI lặp lại sai lầm của Internet

marsbit05/10 09:45

AI đánh bại Intel, AI lại cứu Intel

Bài viết kể về câu chuyện thăng trầm của Intel, từ đỉnh cao với tư cách là nhà sản xuất chip hàng đầu thế giới đến sự sụp đổ trong cuộc cách mạng AI. Năm 2024, Intel chứng kiến mức sụt giảm 60% giá trị vốn hóa, bị loại khỏi chỉ số Dow Jones và sa thải 15% nhân viên do phụ thuộc quá nhiều vào CPU trong khi thị trường chuyển sang GPU của NVIDIA cho việc huấn luyện AI. Đến năm 2026, dưới sự dẫn dắt của CEO mới Charles Tanoto (tên giả định trong bài là Trần Lập Vũ), Intel bắt đầu phục hồi. Ông cắt giảm chi phí, tập trung vào chip Xeon cho máy chủ và cải thiện hiệu suất sản xuất. Sự hợp tác với NVIDIA, Google và Elon Musk trong các dự án chip AI và nhà máy bán dẫn đã giúp Intel tăng trưởng doanh thu. Bước ngoặt đến khi nhu cầu AI chuyển từ huấn luyện sang suy luận, nơi CPU đóng vai trò quan trọng trong việc quản lý tác vụ. Intel ghi nhận mức tăng 22% doanh thu trong lĩnh vực này. Tuy vẫn còn thách thức về tài chính và cạnh tranh, Intel đã chứng tỏ khả năng phục hồi nhờ thích ứng với xu thế mới.

marsbit04/25 01:36

AI đánh bại Intel, AI lại cứu Intel

marsbit04/25 01:36

活动图片

Danh mục Phổ biếnright-arrow

Thẻ Nổi bậtright-arrow