0:00:06.470,0:00:09.400
[Âm nhạc]

0:00:09.400,0:00:12.040
[Vỗ tay]

0:00:12.040,0:00:16.119
Wow, đông quá nhỉ. Tốt, cảm ơn

0:00:16.119,0:00:20.640
vì lời giới thiệu đáng yêu đó.

0:00:20.640,0:00:22.680


0:00:22.680,0:00:25.160
Được rồi, vậy

0:00:25.160,0:00:28.279
trí tuệ nhân tạo sáng tạo (generative artificial intelligence) là gì?

0:00:28.279,0:00:30.199
tôi muốn phần này có tính tương tác một chút

0:00:30.199,0:00:32.200
vì vậy sẽ có phần tham gia

0:00:32.200,0:00:34.920
tham gia từ những người ở đây

0:00:34.920,0:00:36.960
Những người tổ chức buổi giảng này nói với tôi, "Oh, bạn là người

0:00:36.960,0:00:40.120
ít hiểu biết về công nghệ đối với một người làm việc về AI."

0:00:40.120,0:00:42.039
Tôi không có vụ nổ hay

0:00:42.039,0:00:44.640
thí nghiệm nào nên tôi e rằng bạn sẽ phải

0:00:44.640,0:00:47.600
tham gia vào. hy vọng điều đó không sao chứ. Được rồi,

0:00:47.600,0:00:50.079
vậy trí tuệ nhân tạo tạo sinh là gì,

0:00:50.079,0:00:53.680
thuật ngữ này được tạo thành

0:00:53.680,0:00:56.680
từ hai thứ: trí tuệ nhân tạo

0:00:56.680,0:00:58.800
và tạo sinh,

0:00:58.800,0:01:02.440
trí tuệ nhân tạo là một thuật ngữ hoa mỹ để nói rằng

0:01:02.440,0:01:04.959
chúng ta có một chương trình máy tính để thực hiện công việc

0:01:04.959,0:01:07.880
mà con người sẽ làm và

0:01:07.880,0:01:10.520
tạo sinh  đây là phần thú vị chúng ta đang

0:01:10.520,0:01:14.040
tạo ra nội dung mới mà máy tính

0:01:14.040,0:01:16.560
chưa chắc đã thấy, nó có thể thấy

0:01:16.560,0:01:19.159
một phần nào đó của nội dung đó và nó có thể tổng hợp nội

0:01:19.159,0:01:22.119
dung đó và cung cấp cho chúng ta những điều mới, vậy

0:01:22.119,0:01:25.439
nội dung mới này sẽ là gì, có thể là âm thanh,

0:01:25.439,0:01:27.920
có thể là mã nguồn máy tính  để tạo ra

0:01:27.920,0:01:31.240
một chương trình cho chúng ta, nó có thể là một hình ảnh mới,

0:01:31.240,0:01:33.720
nó có thể là một đoạn văn bản như email hoặc một

0:01:33.720,0:01:37.079
bài luận mà bạn đã nghe  hay video. Trong

0:01:37.079,0:01:39.680
bài giảng này tôi sẽ chỉ

0:01:39.680,0:01:41.840
tập trung chủ yếu vào văn bản vì tôi làm về

0:01:41.840,0:01:43.119
xử lý ngôn ngữ tự nhiên và đó là lĩnh vực mà tôi

0:01:43.119,0:01:46.840
hiểu biết rõ nhất và chúng ta sẽ xem

0:01:46.840,0:01:50.079
công nghệ hoạt động như thế nào và hy vọng là

0:01:50.079,0:01:53.960
sau bài giảng này các bạn biết sẽ hiểu rằng dù có

0:01:53.960,0:01:55.759
có rất nhiều huyền thoại xung quanh nó,

0:01:55.759,0:01:59.200
nhưng thật ra nó

0:01:59.200,0:02:01.159
chỉ là một công cụ mà thôi, được chứ ?

0:02:01.159,0:02:03.960
Được rồi, vậy phần bố cục của bài giảng

0:02:03.960,0:02:05.200
có ba phần và nó hơi

0:02:05.200,0:02:09.199
nhàm chán. Đây là Alice Morse Earle. Tôi không

0:02:09.199,0:02:11.959
hi vọng các bạn biết người phụ nữ này,  bà là một

0:02:11.959,0:02:16.400
nhà văn người Mỹ và bà viết về

0:02:16.400,0:02:19.720
kỷ vật và phong tục nhưng bà nổi tiếng

0:02:19.720,0:02:22.120
với những câu trích dẫn của mình Ví dụ như câu này:

0:02:22.120,0:02:24.319
"Hôm qua là lịch sử,

0:02:24.319,0:02:26.640
ngày mai là bí ẩn, hôm nay là một món quà

0:02:26.640,0:02:28.040
và đó là lý do tại sao nó được gọi là hiện tại"

0:02:28.040,0:02:31.280
Đây là một câu trích dẫn rất lạc quan  và

0:02:31.280,0:02:34.560
bài giảng về cơ bản là về quá khứ,

0:02:34.560,0:02:38.800
hiện tại và tương lai của AI, được rồi,

0:02:38.800,0:02:41.560
điều tôi muốn nói ngay từ đầu

0:02:41.560,0:02:45.480
là AI tạo sinh không phải là một

0:02:45.480,0:02:50.599
khái niệm mới, nó đã tồn tại từ khá lâu rồi. Vậy có

0:02:50.599,0:02:53.360
bao nhiêu người trong số các bạn đã sử dụng hoặc đang sử dụng

0:02:53.360,0:02:56.560
quen thuộc với Google dịch ? Cho tôi xem

0:02:56.560,0:03:00.480
cánh tay nào? Được rồi, ai có thể cho tôi biết

0:03:00.480,0:03:02.879
Google dịch ra mắt

0:03:02.879,0:03:04.440


0:03:04.440,0:03:06.239
lần đầu tiên là khi nào ?

0:03:06.239,0:03:10.400
Năm 1995 ? Ồ, điều đó sẽ tốt đây. Năm 2006,

0:03:10.400,0:03:14.599
tức là nó đã tồn tại được 17 năm rồi và

0:03:14.599,0:03:16.680
tất cả chúng ta đã sử dụng nó và đây là một

0:03:16.680,0:03:19.080
ví dụ về AI tạo sinh, văn bản tiếng Hy Lạp

0:03:19.080,0:03:21.959
được nhập vào (Tôi là người Hy Lạp, nên bạn biết đấy, hãy dành chút tình cảm

0:03:21.959,0:03:26.680
Đúng vậy, đoạn văn bản tiếng Hy Lạp đã được nhập vào và

0:03:26.680,0:03:29.799
đoạn văn bản tiếng Anh xuất hiện và Google

0:03:29.799,0:03:31.720
dịch đã phục vụ chúng ta rất tốt trong

0:03:31.720,0:03:34.200
suốt những năm qua và không ai làm

0:03:34.200,0:03:39.200
ầm lên về nó cả. Một ví dụ khác là Siri

0:03:39.200,0:03:43.080
trên điện thoại. Siri

0:03:43.080,0:03:45.239
đã ra mắt vào

0:03:45.239,0:03:50.480
năm 2011, 12 năm trước và nó đã trở thành một hiện tượng

0:03:50.480,0:03:52.720
Đây cũng là một ví dụ khác về

0:03:52.720,0:03:55.280
AI tạo sinh, chúng ta có thể yêu cầu Siri đặt

0:03:55.280,0:03:59.120
báo thức và Siri sẽ trả lời lại, thật

0:03:59.120,0:04:00.200
tuyệt vời,

0:04:00.200,0:04:01.920
bạn có thể hỏi về báo thức

0:04:01.920,0:04:03.959
hoặc bất cứ thứ gì khác, đây chính là AI tạo sinh,

0:04:03.959,0:04:06.560
Dù không tinh vi như Chat GPT,

0:04:06.560,0:04:09.000
nhưng nó đã xuất hiện từ trước rồi và không biết có bao

0:04:09.000,0:04:10.799
nhiêu người trong số các bạn dùng

0:04:10.799,0:04:14.640
iPhone? Xem kìa, iPhone khá phổ biến. Tôi

0:04:14.640,0:04:18.238
không hiểu tại sao. Được rồi, vậy là chúng ta đều

0:04:18.238,0:04:20.358
quen thuộc với nó và tất nhiên

0:04:20.358,0:04:23.040
sau đó có Amazon Alexa và nhiều thứ khác nữa. Vậy một lần nữa,

0:04:23.040,0:04:27.320
AI tạo sinh  Không phải là một

0:04:27.320,0:04:30.280
khái niệm mới, nó ở khắp mọi nơi, nó là một phần của

0:04:30.280,0:04:33.039
điện thoại của bạn. Tính năng  hoàn thành tự động khi bạn

0:04:33.039,0:04:35.199
gửi email hoặc khi bạn gửi email hoặc

0:04:35.199,0:04:39.400
tin nhắn. Điện thoại cố gắng hoàn thành

0:04:39.400,0:04:42.280
câu của bạn, cố gắng suy nghĩ giống như

0:04:42.280,0:04:44.639
bạn và nó giúp bạn tiết kiệm thời gian, đúng chứ ? vì

0:04:44.639,0:04:46.680
một số gợi ý đã có sẵn rồi

0:04:46.680,0:04:48.479
Tương tự như với Google, khi bạn nhập liệu,

0:04:48.479,0:04:50.520
nó cố gắng đoán từ khóa tìm kiếm của bạn

0:04:50.520,0:04:53.199
Đây là một ví dụ về

0:04:53.199,0:04:55.120
mô hình ngôn ngữ, chúng ta sẽ nghe rất nhiều về

0:04:55.120,0:04:58.080
mô hình ngôn ngữ trong bài nói chuyện này, vì vậy về cơ bản chúng ta đang

0:04:58.080,0:04:59.880
đưa ra dự đoán về những gì

0:04:59.880,0:05:03.680
tiếp theo sẽ như thế nào. Vì vậy,

0:05:03.680,0:05:05.840
điều tôi muốn nói với bạn là AI tạo sinh

0:05:05.840,0:05:08.960
không hẳn là mới mẻ. Vậy vấn đề là gì, tại sao mọi người lại bàn tán xôn xao

0:05:08.960,0:05:11.080
chuyện gì đã xảy ra ?

0:05:11.080,0:05:13.840
vào năm

0:05:13.840,0:05:17.759
2023, Open AI mở một công ty ở

0:05:17.759,0:05:19.720
California thực tế là ở San Francisco. Nếu

0:05:19.720,0:05:21.560
bạn đến San Francisco, bạn thậm chí có thể nhìn thấy

0:05:21.560,0:05:24.840
ánh đèn của tòa nhà họ vào ban đêm

0:05:24.840,0:05:26.639
Họ đã công bố

0:05:26.639,0:05:31.080
GPT-4 và tuyên bố rằng nó có thể vượt quá 90%

0:05:31.080,0:05:34.199
con người trong bài kiểm tra SAT. Đối với

0:05:34.199,0:05:36.919
những ai chưa biết, SAT là một

0:05:36.919,0:05:39.759
bài kiểm tra tiêu chuẩn mà học sinh ở Mỹ

0:05:39.759,0:05:41.840
phải làm để vào Đại học. Đó là một

0:05:41.840,0:05:44.520
bài kiểm tra tuyển sinh và đó là bài trắc nghiệm

0:05:44.520,0:05:48.759
được xem là không dễ. Vậy mà GPT-4

0:05:48.759,0:05:50.919
có thể làm được, họ cũng tuyên bố rằng nó có thể

0:05:50.919,0:05:54.840
đạt điểm cao trong các kỳ thi luật, y khoa

0:05:54.840,0:05:57.160
và các kỳ thi khác. Họ có cả một loạt các kết quả

0:05:57.160,0:05:59.880
mà họ không chỉ tuyên bố mà còn

0:05:59.880,0:06:03.520
chứng minh rằng GPT-4 có thể làm được.

0:06:03.520,0:06:07.360
Ngoài việc nó có thể vượt qua các kỳ thi

0:06:07.360,0:06:10.520
chúng ta có thể yêu cầu nó làm những việc khác. Ví dụ, bạn

0:06:10.520,0:06:14.199
có thể yêu cầu nó viết văn bản cho bạn. Chẳng

0:06:14.199,0:06:17.560
hạn bạn có thể đưa ra một "prompt" (yêu cầu)

0:06:17.560,0:06:19.440
cái mà bạn thấy trên kia,

0:06:19.440,0:06:22.400
đó chính là prompt. Đó chính là những gì con người muốn

0:06:22.400,0:06:24.960
công cụ thực hiện cho họ. Một

0:06:24.960,0:06:26.919
prompt có thể là: "Tôi đang viết một  bài luận

0:06:26.919,0:06:28.880
về việc sử dụng điện thoại di động khi

0:06:28.880,0:06:31.199
lái xe. Bạn có thể đưa ra cho tôi ba luận điểm

0:06:31.199,0:06:34.160
ủng hộ điều này không ? Nếu[br]137[br]00:06:34,160 --> 00:06:36,199[br]bạn hỏi tôi, tôi không chắc tôi có thể đưa ra

0:06:36.199,0:06:38.919
ba luận điểm. Bạn cũng có thể yêu cầu, và

0:06:38.919,0:06:41.080
đây là những yêu cầu thực sự mà

0:06:41.080,0:06:44.960
công cụ  có thể làm. Bạn nói với Chat GPT hoặc GPT nói

0:06:44.960,0:06:47.080
chung hoạt động như một lập trình viên JavaScript.

0:06:47.080,0:06:48.599
Viết một chương trình kiểm tra

0:06:48.599,0:06:51.560
thông tin trên biểu mẫu. Tên và email là

0:06:51.560,0:06:53.720
bắt buộc, nhưng địa chỉ và tuổi thì không. "Vậy là

0:06:53.720,0:06:56.639
tôi chỉ cần viết điều này và công cụ sẽ

0:06:56.639,0:06:59.199
đưa ra  một chương trình và đây là điều thú vị nhất:

0:06:59.199,0:07:02.560
"Tạo một trang giới thiệu về tôi" cho một

0:07:02.560,0:07:05.560
trang web. Tôi thích leo núi,

0:07:05.560,0:07:07.919
thể thao ngoài trời và lập trình. Tôi bắt đầu

0:07:07.919,0:07:09.840
sự nghiệp của mình với vai trò kỹ sư chất lượng trong

0:07:09.840,0:07:13.360
ngành blah blah blah. Tôi cung cấp thông tin

0:07:13.360,0:07:16.280
phiên bản như vậy về những gì tôi muốn trên website, và công cụ

0:07:16.280,0:07:18.520
sẽ tạo ra nó cho

0:07:18.520,0:07:20.160
tôi.

0:07:20.160,0:07:23.360
Vậy, bạn thấy đấy, chúng ta đã đi từ Google

0:07:23.360,0:07:24.840
dịch và Siri và tính năng

0:07:24.840,0:07:26.479
hoàn thành tự động đến một thứ

0:07:26.479,0:07:28.840
phức tạp hơn rất nhiều và có thể làm được nhiều hơn nữa

0:07:28.840,0:07:31.080


0:07:31.080,0:07:34.680
Một sự thật thú vị nữa. Đây là biểu đồ

0:07:34.680,0:07:40.879
cho thấy thời gian cần thiết để chat GPT

0:07:40.879,0:07:44.400
đạt được 100 triệu người dùng so

0:07:44.400,0:07:46.120
với các công cụ khác đã ra mắt

0:07:46.120,0:07:49.039
trong quá khứ và bạn thấy Google dịch, công cụ mà chúng ta yêu thích

0:07:49.039,0:07:53.840
phải mất 78 tháng để

0:07:53.840,0:07:58.280
đạt được 100 triệu người dùng. Một khoảng thời gian dài.

0:07:58.280,0:08:02.680
Tik Tok chỉ mất 9 tháng và Chat GPT chỉ mất

0:08:02.680,0:08:05.840
2 tháng. Chi trong vòng hai tháng, họ đã có 100

0:08:05.840,0:08:10.759
triệu người dùng và những người dùng này trả một

0:08:10.759,0:08:13.960
ít tiền để sử dụng hệ thống, bạn có thể

0:08:13.960,0:08:15.599
nhân lên và tính xem họ kiếm được

0:08:15.599,0:08:19.400
bao nhiêu tiền. Được rồi,

0:08:19.400,0:08:25.039
đây là phần lịch sử. Vậy làm thế nào để

0:08:25.039,0:08:29.240
chúng ta tạo ra Chat GPT ?

0:08:29.240,0:08:31.479
Công nghệ nào đứng sau nó ? Hóa ra, công nghệ này

0:08:31.479,0:08:34.120
không phải quá mới hoặc

0:08:34.120,0:08:36.440
cực kỳ sáng tạo hoặc cực kỳ

0:08:36.440,0:08:37.519
khó hiểu

0:08:37.519,0:08:39.839
Vậy nên, hôm nay chúng ta

0:08:39.839,0:08:41.159
sẽ nói về

0:08:41.159,0:08:45.360
điều đó. Chúng ta sẽ giải quyết ba câu hỏi

0:08:45.360,0:08:46.920
Trước hết là làm thế nào chúng ta chuyển từ các

0:08:46.920,0:08:49.399
hệ thống chỉ có một mục đích đơn lẻ như Google

0:08:49.399,0:08:51.880
Dịch sang Chat GPT,

0:08:51.880,0:08:54.680
một công cụ tinh vi hơn và làm được nhiều việc hơn,

0:08:54.680,0:08:56.640
cụ thể,

0:08:56.640,0:08:59.480
công nghệ cốt lõi đằng sau Chat GPT là gì và

0:08:59.480,0:09:02.079
rủi ro nếu có là gì và cuối cùng tôi

0:09:02.079,0:09:04.640
sẽ chỉ cho bạn thấy cái nhìn thoáng qua về

0:09:04.640,0:09:06.760
tương lai, cách mà nó sẽ trông như thế nào

0:09:06.760,0:09:08.720
và liệu chúng ta có nên lo lắng hay

0:09:08.720,0:09:12.760
không và bạn biết đấy tôi sẽ không để bạn phải băn

0:09:12.760,0:09:16.600
khoăn đâu đừng lo lắng, được

0:09:16.600,0:09:18.959
chứ ?

0:09:18.959,0:09:22.959
Vậy tất cả các biến thể mô hình GPT này và

0:09:22.959,0:09:24.880
có một ngành công nghiệp nhỏ đang nổi lên,

0:09:24.880,0:09:27.760
tôi chỉ lấy GPT làm ví dụ

0:09:27.760,0:09:30.079
công chúng đã biết đến nó

0:09:30.079,0:09:32.440
và có rất nhiều

0:09:32.440,0:09:34.279
các bài báo về nó, nhưng còn có

0:09:34.279,0:09:36.240
những mô hình khác, các biến thể khác của mô hình mà chúng ta

0:09:36.240,0:09:39.519
sử dụng trong học thuật. Tất cả chúng đều hoạt động dựa trên

0:09:39.519,0:09:41.519
cùng một nguyên tắc, và nguyên tắc này được

0:09:41.519,0:09:44.160
gọi là mô hình hóa ngôn ngữ

0:09:44.160,0:09:47.440
Mô hình hóa ngôn ngữ làm gì nó giả định rằng chúng ta có

0:09:47.440,0:09:51.399
một chuỗi các từ ngữ. Đó là ngữ cảnh cho đến nay

0:09:51.399,0:09:52.920
và chúng ta đã thấy điều này trong tính năng

0:09:52.920,0:09:55.760
hoàn thành tự động. tôi có một ví dụ ở đây

0:09:55.760,0:10:00.160
Giả sử ngữ cảnh của tôi là cụm từ "Tôi muốn".

0:10:00.160,0:10:03.240
công cụ mô hình hóa ngôn ngữ sẽ

0:10:03.240,0:10:06.440
dự đoán những gì xảy ra tiếp theo. Vì vậy nếu tôi nói

0:10:06.440,0:10:09.320
"Tôi muốn" sẽ có một số dự đoán:"Tôi

0:10:09.320,0:10:12.040
muốn xúc tuyết", "Tôi muốn chơi", "Tôi muốn

0:10:12.040,0:10:14.880
bơi", "Tôi muốn ăn" và tùy thuộc vào những gì

0:10:14.880,0:10:17.600
chúng ta chọn là "xúc tuyết" sẽ tiếp tục với "tuyết",

0:10:17.600,0:10:21.880
còn nhiều phần tiếp theo nữa. Vi vậy,

0:10:21.880,0:10:25.240
đối với "xẻng" thì sẽ là "tuyết", "chơi" thì

0:10:25.240,0:10:27.800
có thể tiếp tục với "tennis" hoặc "trò choi video", "bơi" không có phần tiếp theo và "ăn"

0:10:27.800,0:10:30.240
có thể tiếp tục với "nhiều thứ" hoặc

0:10:30.240,0:10:33.800
"trái cây". Đây là một ví dụ đơn giản nhưng hãy

0:10:33.800,0:10:35.639
tưởng tượng bây giờ máy tính đã thấy

0:10:35.639,0:10:40.480
rất nhiều văn bản và nó biết những từ nào

0:10:40.480,0:10:42.399
theo sau

0:10:42.399,0:10:46.720
những từ nào. Trước đây, chúng ta từng đếm các từ này.

0:10:46.720,0:10:49.519
Tôi sẽ tải xuống một lượng lớn dữ liệu

0:10:49.519,0:10:52.160
và đếm xem cụm "Tôi muốn cho họ thấy"

0:10:52.160,0:10:54.160
xuất hiện bao nhiêu lần và

0:10:54.160,0:10:56.040
những lần tiếp theo là gì. chúng ta

0:10:56.040,0:10:58.040
Chúng ta đã từng lưu các con số đó. Nhưng giờ đây,

0:10:58.040,0:11:00.760
mọi thứ đã thay đổi,

0:11:00.760,0:11:03.519
chúng ta sử dụng mạng nơ-ron không chỉ đơn thuần đếm

0:11:03.519,0:11:07.720
mà dự đoán, học hỏi

0:11:07.720,0:11:10.040
theo cách tinh vi hơn, và

0:11:10.040,0:11:12.079
tôi sẽ giải thích ngay.

0:11:12.079,0:11:13.360
ChatGPT và

0:11:13.360,0:11:17.760
các biến thể GPT dựa trên các

0:11:17.760,0:11:21.560
nguyên tắc này: Tôi có một ngữ cảnh,

0:11:21.560,0:11:24.600
tôi sẽ dự đoán điều gì sẽ xảy ra tiếp theo.

0:11:24.600,0:11:26.639
Và đó chính là prompt, phần yêu cầu mà tôi đã

0:11:26.639,0:11:29.800
cho bạn thấy.

0:11:29.800,0:11:32.399
Đây là ngữ cảnh,  và sau đó công cụ sẽ

0:11:32.399,0:11:35.680
thực hiện nhiệm vụ, điều gì sẽ xảy ra tiếp theo ? trong một số

0:11:35.680,0:11:37.639
trường hợp, đó sẽ là  ba luận điểm.

0:11:37.639,0:11:39.920
Trong trường hợp của lập trình viên web, đó

0:11:39.920,0:11:41.320
sẽ là một

0:11:41.320,0:11:45.440
trang web. Tóm lại nhiệm vụ của mô hình hóa ngôn ngữ

0:11:45.440,0:11:47.519
là có ngữ cảnh.

0:11:47.519,0:11:49.200
và đây là một ví dụ khác:

0:11:49.200,0:11:53.160
"Màu sắc của bầu trời là". Chúng ta có

0:11:53.160,0:11:56.760
một mô hình ngôn ngữ nơ-ron,

0:11:56.760,0:12:00.320
thực chất chỉ là một thuật toán,

0:12:00.320,0:12:03.279
nó sẽ dự đoán phần tiếp theo có

0:12:03.279,0:12:06.160
khả năng xảy ra nhất. Khả năng xảy ra rất quan trọng.

0:12:06.160,0:12:09.160
Tất cả các dự đoán dựa trên việc đoán

0:12:09.160,0:12:11.959
điều gì sẽ xảy ra tiếp theo.

0:12:11.959,0:12:13.519
Và đó là lý do đôi khi chúng thất bại, vì

0:12:13.519,0:12:15.519
chúng dự đoán câu trả lời có khả năng cao nhất

0:12:15.519,0:12:18.279
trong khi bạn muốn một câu trả lời ít có khả năng xảy ra hơn nhưng

0:12:18.279,0:12:19.880
đây là cách chúng được huấn luyện để

0:12:19.880,0:12:24.120
đưa ra những câu trả lời có khả năng là cao nhất, vì vậy

0:12:24.120,0:12:25.920
chúng ta không đếm các từ nữa, mà cố gắng

0:12:25.920,0:12:29.959
dự đoán chúng bằng mô hình ngôn ngữ này.

0:12:29.959,0:12:33.760
Vậy làm thế nào để bạn tự xây dựng một mô hình ngôn ngữ?

0:12:33.760,0:12:36.160
Đây là công thức, cách mà mọi người thực hiện:

0:12:36.160,0:12:40.000
Bước 1: Chúng ta cần rất nhiều dữ liệu.

0:12:40.000,0:12:43.040
Cần thu thập một tập dữ liệu khổng lồ.

0:12:43.040,0:12:46.360
Vậy chúng ta tìm đâu ra

0:12:46.360,0:12:48.959
một tập dữ liệu khổng lồ như vậy?

0:12:48.959,0:12:52.360
Ý tôi là, chúng ta tìm trên web, đúng không?

0:12:52.360,0:12:55.800
Chúng ta tải xuống toàn bộ Wikipedia,

0:12:55.800,0:12:59.399
các trang Stack Overflow, Quora,

0:12:59.399,0:13:02.160
mạng xã hội, GitHub, Reddit, bất kỳ thứ gì bạn

0:13:02.160,0:13:03.880
có thể tìm được trên đó

0:13:03.880,0:13:06.240
Tất nhiên, bạn cần giải quyết các vấn đề về quyền sử dụng dữ liệu, phải hợp pháp.

0:13:06.240,0:13:08.079
Bạn tải xuống toàn bộ tập dữ liệu này.

0:13:08.079,0:13:10.680
Vậy sau đó bạn làm gì? Sau đó, bạn

0:13:10.680,0:13:12.360
có mô hình ngôn ngữ này. Tôi chưa

0:13:12.360,0:13:14.120
giải thích chính xác mô hình

0:13:14.120,0:13:15.959
ngôn ngữ này là gì, và cũng chưa nói

0:13:15.959,0:13:17.519
về mạng nơ-ron thực hiện

0:13:17.519,0:13:20.639
dự đoán, nhưng giả sử bạn đã có nó.

0:13:20.639,0:13:23.199
Vậy bạn có một cơ chế

0:13:23.199,0:13:25.920
học tập, và nhiệm vụ giờ đây

0:13:25.920,0:13:28.920
là dự đoán từ tiếp theo.

0:13:28.920,0:13:32.040
Nhưng làm thế nào để chúng ta làm điều đó?

0:13:32.040,0:13:36.079
Đây chính là phần sáng tạo.

0:13:36.079,0:13:38.720
Chúng ta có các câu trong tập dữ liệu. Chúng ta có thể xóa một số từ

0:13:38.720,0:13:41.040
trong các câu đó và yêu cầu mô hình ngôn ngữ dự đoán

0:13:41.040,0:13:45.199
các từ mà chúng ta đã xóa.

0:13:45.199,0:13:48.440
Cách này rất rẻ tiền. Tôi chỉ cần xóa chúng đi,

0:13:48.440,0:13:50.639
giả vờ như chúng không có, và để mô hình ngôn ngữ

0:13:50.639,0:13:54.360
dự đoán chúng. Tôi sẽ

0:13:54.360,0:13:57.240
ngẫu nhiên cắt ngắn, "truncate" nghĩa là xóa bớt,

0:13:57.240,0:13:59.600
phần cuối của câu đầu vào.

0:13:59.600,0:14:01.720
Sau đó, tôi sẽ sử dụng mạng nơ-ron

0:14:01.720,0:14:04.560
để tính xác suất của các từ bị thiếu. Nếu dự đoán

0:14:04.560,0:14:06.440
đúng, thì tốt. Nếu không đúng, tôi cần

0:14:06.440,0:14:08.600
quay lại và điều chỉnh một số điều

0:14:08.600,0:14:10.240
vì rõ ràng tôi đã mắc sai lầm,

0:14:10.240,0:14:12.959
và tôi tiếp tục lặp lại. Tôi sẽ điều chỉnh

0:14:12.959,0:14:14.880
và đưa phản hồi vào mô hình,

0:14:14.880,0:14:16.920
sau đó so sánh kết quả mà mô hình dự đoán với

0:14:16.920,0:14:18.639
"ground truth" (thực tế)

0:14:18.639,0:14:20.199
vì tôi đã

0:14:20.199,0:14:23.000
biết trước đáp án thực.

0:14:23.000,0:14:27.320
Chúng ta cứ tiếp tục quá trình này trong vài tháng,

0:14:27.320,0:14:30.639
hoặc có thể vài năm. Không, chỉ vài tháng thôi.

0:14:30.639,0:14:32.480
Quá trình này mất thời gian vì,

0:14:32.480,0:14:34.120
như bạn có thể hình dung, tôi có một

0:14:34.120,0:14:35.880
tập dữ liệu rất lớn với rất nhiều câu,

0:14:35.880,0:14:37.480
và tôi cần thực hiện

0:14:37.480,0:14:40.199
dự đoán, sau đó quay lại sửa sai,

0:14:40.199,0:14:43.240
và cứ thế. Nhưng cuối cùng

0:14:43.240,0:14:45.639
mô hình sẽ hội tụ và tôi sẽ có kết quả.

0:14:45.639,0:14:47.240
Công cụ tôi vừa nhắc đến,

0:14:47.240,0:14:50.199
công cụ này chính là

0:14:50.199,0:14:53.440
mô hình ngôn ngữ.

0:14:53.440,0:14:56.440
Một mô hình ngôn ngữ đơn giản

0:14:56.440,0:15:00.000
trông như thế này. Có thể

0:15:00.000,0:15:02.320
khán giả đã từng thấy những mô hình này,

0:15:02.320,0:15:05.160
đây là một đồ thị đơn giản,

0:15:05.160,0:15:08.440
nhưng nó giúp minh họa cách thức hoạt động.

0:15:08.440,0:15:10.600
Mạng nơ-ron mô hình ngôn ngữ này

0:15:10.600,0:15:14.320
sẽ có vài đầu vào

0:15:14.320,0:15:17.519
các nút tròn,

0:15:17.519,0:15:21.240
vâng bên phải của tôi và của bạn, ok

0:15:21.240,0:15:24.720
ở bên phải là đầu vào,

0:15:24.720,0:15:28.360
và các nút tròn bên trái là đầu ra.

0:15:28.360,0:15:31.160
Chúng ta đưa vào

0:15:31.160,0:15:33.000
năm đầu vào,

0:15:33.000,0:15:36.880
năm vòng tròn,

0:15:36.880,0:15:39.800
và có ba đầu ra, ba vòng tròn.

0:15:39.800,0:15:41.959
Và có những thứ ở giữa mà tôi

0:15:41.959,0:15:44.680
không nói gì cả. Đây là

0:15:44.680,0:15:47.680
các lớp (layers). Đây là những nút khác

0:15:47.680,0:15:51.360
được cho là trừu tượng hóa dữ liệu đầu vào của tôi.

0:15:51.360,0:15:54.759
Vì vậy, họ khái quát hóa. Ý tưởng là nếu tôi đặt

0:15:54.759,0:15:58.399
nhiều lớp hơn

0:15:58.399,0:16:00.600
các lớp giữa sẽ tổng quát hóa đầu vào

0:16:00.600,0:16:03.000
và nhận ra các mẫu mà ban đầu

0:16:03.000,0:16:05.880
không rõ ràng.

0:16:05.880,0:16:07.399
Đầu vào cho các nút này

0:16:07.399,0:16:10.399
không phải là từ, mà là vector - chuỗi số,

0:16:10.399,0:16:13.279
nhưng hãy tạm quên điều đó.

0:16:13.279,0:16:15.480
Vậy chúng ta có đầu vào, các lớp giữa,

0:16:15.480,0:16:17.880
và đầu ra. Các kết nối

0:16:17.880,0:16:20.880
giữa các nút được gọi

0:16:20.880,0:16:23.240
là trọng số (weights),

0:16:23.240,0:16:26.480
chính trọng số này là thứ mà mạng học được.

0:16:26.480,0:16:29.240
Các trọng số thực chất là các con số.

0:16:29.240,0:16:31.880
và ở đây tất cả đều được kết nối đầy đủ, vì vậy tôi có rất nhiều

0:16:31.880,0:16:34.880
kết nối. Tại sao tôi lại thực hiện

0:16:34.880,0:16:36.800
quá trình này để thực sự nói với bạn tất cả

0:16:36.800,0:16:40.720
những điều đó? Bạn sẽ thấy trong một phút. Vì vậy, bạn có thể

0:16:40.720,0:16:44.839
tính toán được

0:16:44.839,0:16:48.360
mạng nơ-ron này lớn hay nhỏ tùy thuộc vào

0:16:48.360,0:16:51.800
số lượng kết nối mà nó có. Vì vậy đối với

0:16:51.800,0:16:54.800
mạng nơ-ron đơn giản này, tôi

0:16:54.800,0:16:58.880
đã tính được số lượng trọng số

0:16:58.880,0:17:01.399
Chúng tôi gọi là tham số,

0:17:01.399,0:17:03.800
mà mạng cần học.

0:17:03.800,0:17:07.240
Vì vậy, các tham số là

0:17:07.240,0:17:10.359
số lượng đơn vị đầu vào, trong trường hợp này

0:17:10.359,0:17:14.760
là 5, nhân với số đơn vị ở

0:17:14.760,0:17:18.559
lớp tiếp theo, là 8. Cộng với 8,

0:17:18.559,0:17:22.119
kết quả này cộng với 8 là độ lệch,

0:17:22.119,0:17:24.480
đó là một điều gian lận mà các mạng nơ-ron này có. Một lần nữa,

0:17:24.480,0:17:27.119
bạn cần phải học nó

0:17:27.119,0:17:28.960
và nó sẽ sửa một chút cho mạng nơ-ron nếu nó bị tắt.

0:17:28.960,0:17:30.440
Nó thực sự là thiên tài.

0:17:30.440,0:17:32.600
Nếu dự đoán không đúng,

0:17:32.600,0:17:34.520
Nó cố gắng điều chỉnh một chút để sửa lỗi. Vì vậy, cho

0:17:34.520,0:17:36.799
mục đích của buổi nói chuyện này, tôi sẽ không đi sâu vào chi tiết,

0:17:36.799,0:17:38.799
đi sâu vào  chi tiết, tất cả những gì tôi muốn bạn

0:17:38.799,0:17:40.840
thấy là có một cách để tính

0:17:40.840,0:17:43.080
ra các tham số, cơ bản là

0:17:43.080,0:17:46.760
số lượng đơn vị đầu vào nhân với số

0:17:46.760,0:17:49.919
đơn vị mà đầu vào đang kết nối tới.

0:17:49.919,0:17:52.720
Với mạng nơ-ron được kết nối đầy đủ này,

0:17:52.720,0:17:56.840
nếu chúng ta cộng tất cả lại, ta sẽ có

0:17:56.840,0:18:00.000
99 tham số có thể huấn luyện.

0:18:00.000,0:18:02.679
Đây là một mạng nhỏ, phải không? Nhưng tôi muốn bạn

0:18:02.679,0:18:04.919
nhớ rằng, mạng nhỏ này có 99 tham số.

0:18:04.919,0:18:08.280
Khi bạn nghe về mạng có

0:18:08.280,0:18:10.720
một tỷ tham số,

0:18:10.720,0:18:15.120
hãy hình dung kích thước khổng lồ của nó.

0:18:15.120,0:18:18.200
Vậy là chỉ có 99 cho mạng nơ-ron đơn giản này.

0:18:18.200,0:18:21.440
Và đây là cách chúng ta đánh giá mô hình lớn như thế nào,

0:18:21.440,0:18:24.720
mất bao lâu và tốn bao nhiêu,

0:18:24.720,0:18:26.360
đó là số lượng

0:18:26.360,0:18:29.480
tham số. Trong thực tế

0:18:29.480,0:18:32.440
không ai sử dụng mạng nhỏ này.

0:18:32.440,0:18:35.039
Đây chỉ là ví dụ cho sinh viên

0:18:35.039,0:18:36.760
năm nhất học đại học.

0:18:36.760,0:18:38.600
Thực tế, chúng ta

0:18:38.600,0:18:41.440
sử dụng những

0:18:41.440,0:18:45.000
mô hình khổng lồ,

0:18:45.000,0:18:48.960
gồm nhiều khối. Và khối này có nghĩa là chúng được

0:18:48.960,0:18:53.520
tạo thành từ các mạng nơ-ron khác. Vì vậy, tôi

0:18:53.520,0:18:55.919
không biết có bao nhiêu người đã nghe về

0:18:55.919,0:18:59.919
Bộ chuyển đổi. Tôi hy vọng là chưa.

0:18:59.919,0:19:03.240
Oh wo, ok. Bộ chuyển đổi là các mạng nơ-ron được dùng

0:19:03.240,0:19:06.640
để xây dựng ChatGPT.

0:19:06.640,0:19:11.080
Trên thực tế GPT là viết tắt của "generative pre-trained transformers"

0:19:11.080,0:19:13.600
(transformers  cũng được có ngày trong tiêu đề).

0:19:13.600,0:19:17.600
Đây là bản phác thảo của một transformer.

0:19:17.600,0:19:21.320
Bạn có đầu vào

0:19:21.320,0:19:23.799
và đầu vào không phải là từ,

0:19:23.799,0:19:26.640
như tôi đã nói, nó là vector (embeddings).

0:19:26.640,0:19:30.000
Và sau đó bạn sẽ có nó,

0:19:30.000,0:19:33.760
một phiên bản lớn hơn của mạng kết nối.

0:19:33.760,0:19:35.720


0:19:35.720,0:19:39.480
Các vector này được đưa qua nhiều khối (blocks),

0:19:39.480,0:19:42.679
và mỗi khối là một hệ thống phức tạp

0:19:42.679,0:19:46.559
chứa mạng nơ-ron bên trong. Chúng ta

0:19:46.559,0:19:48.320
sẽ không đi vào chi tiết, tôi không muốn,

0:19:48.320,0:19:51.480
xin đừng đi, tất cả những gì tôi đang

0:19:51.480,0:19:55.159
cố gắng, (khán giả cười) tất cả những gì tôi đang cố gắng nói là, bạn biết đấy,

0:19:55.159,0:19:59.159
chúng ta có những khối này xếp chồng

0:19:59.159,0:20:01.159
lên nhau, Transformer có

0:20:01.159,0:20:03.360
tám khối như vậy, là những mạng nơ-ron mini,

0:20:03.360,0:20:06.840
và nhiệm vụ này vẫn giữ nguyên.

0:20:06.840,0:20:08.320
Đó là những gì tôi muốn bạn rút ra từ đây.

0:20:08.320,0:20:10.559
Nhiệm vụ vẫn không thay đổi: đầu vào là ngữ cảnh, ví dụ

0:20:10.559,0:20:12.760
"con gà bước đi," sau đó thực hiện

0:20:12.760,0:20:15.960
xử lý để dự đoán phần tiếp theo

0:20:15.960,0:20:18.120
ví dụ "qua đường".

0:20:18.120,0:20:21.640
Và EOS (end of sentence)

0:20:21.640,0:20:22.880
được dùng để

0:20:22.880,0:20:24.600
đánh dấu kết thúc câu, giúp mạng nơ-ron nhận biết điểm dừng.

0:20:24.600,0:20:26.240
Ý tôi là, chúng khá "ngốc," đúng không?

0:20:26.240,0:20:28.280
Chúng ta cần chỉ rõ mọi thứ cho chúng. Khi tôi nghe rằng AI

0:20:28.280,0:20:30.200
sẽ chiếm lĩnh thế giới, tôi chỉ nghĩ,

0:20:30.200,0:20:33.520
"Thật sao? Chúng ta thậm chí còn phải

0:20:33.520,0:20:37.919
viết ra từng chi tiết". Đây chính là transformer (bộ chuyển đổi),

0:20:37.919,0:20:39.600
vua của các kiến trúc mô hình.

0:20:39.600,0:20:41.240
Transformers ra đời

0:20:41.240,0:20:43.600
năm 2017. Hiện tại không ai làm việc trên

0:20:43.600,0:20:46.280
các kiến ​​trúc mới nữa. Thật đáng tiếc,

0:20:46.280,0:20:48.080
trước đây mọi người

0:20:48.080,0:20:50.240
sử dụng nhiều chúng, nhưng

0:20:50.240,0:20:52.480
giờ thì không, tất cả mọi người đều sử dụng Transformers,

0:20:52.480,0:20:55.799
chúng ta đã quyết định rằng chúng rất tuyệt.

0:20:55.799,0:20:58.240
Được rồi, vậy chúng ta sẽ làm gì với chúng?

0:20:58.240,0:20:59.960
Điều quan trọng và

0:20:59.960,0:21:02.240
tuyệt vời là chúng ta sẽ thực hiện

0:21:02.240,0:21:04.039
học tự giám sát (self-supervised learning).

0:21:04.039,0:21:06.360
Đây chính là điều tôi đã nói: chúng ta có câu, cắt bớt,

0:21:06.360,0:21:09.919
dự đoán, và tiếp tục cho đến khi

0:21:09.919,0:21:11.640
chúng ta học được

0:21:11.640,0:21:15.960
các xác suất. Hiểu kịp không?

0:21:15.960,0:21:20.320
Tốt, được rồi. Khi chúng ta có

0:21:20.320,0:21:23.720
transformer và đã cung cấp cho nó tất cả

0:21:23.720,0:21:26.600
dữ liệu mà thế giới có,

0:21:26.600,0:21:29.520
chúng ta sẽ có một mô hình huấn luyện trước (pre-trained model). Đó là lý do tại sao GPT

0:21:29.520,0:21:32.000
được gọi là transformer tạo sinh, được huấn luyện sẵn (generative pre-trained transformer).

0:21:32.000,0:21:34.919
Đây là một mô hình cơ bản đã được đào tạo

0:21:34.919,0:21:37.400
từ rất nhiều nguồn dữ liệu

0:21:37.400,0:21:39.840
của thế giới.

0:21:39.840,0:21:42.600
Sau đó, chúng ta thường làm gì? Chúng ta

0:21:42.600,0:21:44.440
có mô hình mục đích chung này và

0:21:44.440,0:21:47.400
cần chuyên biệt hóa nó cho một nhiệm vụ cụ thể.

0:21:47.400,0:21:49.760
Đây là điều gọi là fine-tuning

0:21:49.760,0:21:52.080
(tinh chỉnh). Điều này có nghĩa là mạng nơ-ron

0:21:52.080,0:21:53.679
đã có một số

0:21:53.679,0:21:57.279
trọng số, và chúng ta cần chuyên biệt hóa

0:21:57.279,0:21:59.240
mạng này. Chúng ta sẽ khởi tạo

0:21:59.240,0:22:00.919
trọng số dựa trên những gì đã học được từ

0:22:00.919,0:22:03.000
quá trình huấn luyện trước, và sau đó, đối với nhiệm vụ cụ thể, chúng ta sẽ

0:22:03.000,0:22:05.919
điều chỉnh một tập trọng số mới.

0:22:05.919,0:22:09.679
Ví dụ, nếu tôi có dữ liệu y tế, tôi sẽ

0:22:09.679,0:22:12.679
lấy mô hình huấn luyện trước (pre-trained model), chuyên biệt hóa nó

0:22:12.679,0:22:15.000
với dữ liệu y tế này, và sau đó tôi

0:22:15.000,0:22:17.880
có thể thực hiện các

0:22:17.880,0:22:20.400
nhiệm vụ cụ thể, chẳng hạn như viết một

0:22:20.400,0:22:23.600
chẩn đoán từ một báo cáo.

0:22:23.600,0:22:27.360
Khái niệm tinh chỉnh này rất quan trọng

0:22:27.360,0:22:29.919
vì nó cho phép chúng ta ứng dụng mục đích đặc biệt từ

0:22:29.919,0:22:32.279
các mô hình

0:22:32.279,0:22:34.000
huấn luyện chung.

0:22:34.000,0:22:37.039
Bây giờ, mọi người nghĩ rằng GPT và

0:22:37.039,0:22:38.559
các mô hình tương tự là công cụ mục đích chung,

0:22:38.559,0:22:41.880
mục đích chung nhưng thực tế, chúng được tinh chỉnh để trở thành

0:22:41.880,0:22:44.159
mục đích chung, và chúng ta sẽ thấy cách thức

0:22:44.159,0:22:49.320
của nó như thế nào. Câu hỏi bây giờ là: chúng ta

0:22:49.320,0:22:52.039
có công nghệ cơ bản để thực hiện

0:22:52.039,0:22:54.120
huấn luyện trước. Và tôi đã nói cho bạn cách làm,

0:22:54.120,0:22:57.039
nếu bạn tải xuống toàn bộ web.

0:22:57.039,0:22:59.720
Mô hình ngôn ngữ có thể tốt đến mức nào?

0:22:59.720,0:23:02.120
Làm thế nào để nó trở nên tuyệt vời?

0:23:02.120,0:23:06.400
Bởi vì khi GPT-1 và GPT-2 ra mắt,

0:23:06.400,0:23:08.679
chúng không thực sự ấn tượng.

0:23:08.679,0:23:12.039
Vậy nên, càng lớn càng tốt.

0:23:12.039,0:23:14.919
Quy mô là yếu tố quan trọng,

0:23:14.919,0:23:17.720
dù điều này không hay lắm, vì trước đây

0:23:17.720,0:23:19.240
bạn biết đấy, mọi người không tin vào quy mô

0:23:19.240,0:23:21.520
và bây giờ  chúng ta thấy rằng quy mô rất

0:23:21.520,0:23:24.120
quan trọng vì vậy kể từ

0:23:24.120,0:23:29.159
năm 2018, chúng ta đã chứng kiến ​​sự

0:23:29.159,0:23:33.400
gia tăng cực độ về

0:23:33.400,0:23:36.080
kích thước mô hình và tôi có một số biểu đồ để minh họa cho

0:23:36.080,0:23:38.559
điều này. Ok, tôi hi vọng những người ngồi phía sau

0:23:38.559,0:23:40.080
có thể nhìn thấy đồ thị này. Vâng, bạn đã ổn thôi.

0:23:40.080,0:23:41.760


0:23:41.760,0:23:46.159
Đây là biểu đồ cho thấy

0:23:46.159,0:23:48.960
số lượng tham số. Nhớ rằng, mạng nơ-ron đơn giản

0:23:48.960,0:23:52.360
có 99 tham số.[br]Biểu đồ này cho thấy số lượng tham số

0:23:52.360,0:23:56.039
mà các mô hình này có. Chúng ta bắt đầu với

0:23:56.039,0:23:59.320
một số lượng "bình thường".

0:23:59.320,0:24:00.799
Vâng, đối với GPT-1 và tăng dần đến

0:24:00.799,0:24:06.840
GPT-4, có một

0:24:06.840,0:24:08.600
nghìn tỷ tham số

0:24:08.600,0:24:11.520
(1 trillion). Đây là một

0:24:11.520,0:24:14.520
mô hình rất rất lớn và bạn có thể thấy ở đây so sánh với

0:24:14.520,0:24:17.679
não kiến, não chuột và bộ

0:24:17.679,0:24:22.279
não người.

0:24:22.279,0:24:26.799
Bộ não con người có 100 nghìn tỷ

0:24:26.799,0:24:30.840
tham số (100 trillion). Vậy chúng ta vẫn còn cách xa mức độ

0:24:30.840,0:24:32.720
của bộ não con người, và

0:24:32.720,0:24:35.120
có lẽ chúng ta sẽ không bao giờ đạt đến được và chúng ta không thể

0:24:35.120,0:24:37.120
so sánh GPT với não con người.

0:24:37.120,0:24:40.279
Tôi chỉ muốn minh họa kích thước

0:24:40.279,0:24:43.440
mô hình này lớn đến mức nào

0:24:43.440,0:24:46.440
Còn số lượng từ mà mô hình đã "thấy" thì sao?

0:24:46.440,0:24:48.880
Biểu đồ này cho thấy số lượng từ

0:24:48.880,0:24:50.799
các mô hình ngôn ngữ này đã xử lý

0:24:50.799,0:24:53.399
trong quá trình huấn luyện. Bạn sẽ thấy

0:24:53.399,0:24:56.520
rằng số lượng này

0:24:56.520,0:25:00.000
tăng lớn lên nhưng không tăng nhanh bằng

0:25:00.000,0:25:03.480
số lượng tham số. Cộng đồng

0:25:03.480,0:25:06.360
tập trung vào kích thước tham số của

0:25:06.360,0:25:09.200
các mô hình này, nhưng trong thực tế là chúng ta hiện biết rằng

0:25:09.200,0:25:12.360
chúng cần phải xử lý một lượng văn bản rất lớn.

0:25:12.360,0:25:15.000
GPT-4 đã xử lý

0:25:15.000,0:25:18.360
khoảng vài tỷ từ.

0:25:18.360,0:25:22.159
Tôi không biết, vài tỷ từ.

0:25:22.159,0:25:26.159
Tôi nghĩ tất cả các văn bản do con người viết ra là 100 tỷ,

0:25:26.159,0:25:28.440
nên nó đang tiến gần mức đó.

0:25:28.440,0:25:31.399
Nếu so sánh với số lượng từ mà một người đọc

0:25:31.399,0:25:34.399
trong suốt cuộc đời của họ, nó ít hơn nhiều

0:25:34.399,0:25:35.840
ngay cả khi họ đọc bạn biết đấy bởi vì

0:25:35.840,0:25:38.200
mọi người ngày nay,  bạn biết đấy, họ đọc nhưng

0:25:38.200,0:25:39.520
họ không đọc tiểu thuyết, họ đọc

0:25:39.520,0:25:42.039
điện thoại, dù sao thì, bạn thấy Wikipedia tiếng Anh

0:25:42.039,0:25:44.880
vậy là chúng ta đang dần đạt đến

0:25:44.880,0:25:47.919
giới hạn về lượng văn bản có sẵn mà

0:25:47.919,0:25:50.960
chúng ta có thể có được và trên thực tế người ta có thể nói rằng

0:25:50.960,0:25:53.080
GPT thật tuyệt vời, bạn  thực sự có thể sử dụng nó để

0:25:53.080,0:25:54.919
tạo ra nhiều văn bản hơn và sau đó sử dụng

0:25:54.919,0:25:56.880
văn bản mà GPT đã tạo ra để

0:25:56.880,0:25:59.120
huấn luyện lại mô hình. Nhưng chúng ta biết rằng văn bản do GPT tạo ra

0:25:59.120,0:26:01.640
là không hoàn toàn chính xác

0:26:01.640,0:26:03.520
và sẽ dẫn đến hiệu suất giảm dần,

0:26:03.520,0:26:05.440
nên tại một thời điểm

0:26:05.440,0:26:09.840
nào đó, chúng ta sẽ chạm đến ngưỡng giới hạn.

0:26:09.840,0:26:12.039
Vậy chi phí để làm điều này là bao nhiêu?

0:26:12.039,0:26:19.360
Được rồi, chi phí để huấn luyện GPT-4

0:26:19.640,0:26:22.520
là 100 triệu USD ?

0:26:22.520,0:26:25.520
Vậy khi nào họ nên bắt đầu làm lại?

0:26:25.520,0:26:27.840
Rõ ràng đây không phải là một quy trình bạn có thể

0:26:27.840,0:26:29.760
lặp đi lặp lại nhiều lần.

0:26:29.760,0:26:31.720
Bạn cần phải rất cẩn thận, vì nếu mắc

0:26:31.720,0:26:36.720
sai lầm, bạn có thể mất đến

0:26:36.720,0:26:40.159
50 triệu USD. Bạn không thể bắt đầu lại từ đầu,

0:26:40.159,0:26:42.000
vì vậy việc lập kế hoạch huấn luyện

0:26:42.000,0:26:45.360
phải được thực hiện cực kỳ tinh vi,

0:26:45.360,0:26:47.960
vì sai lầm sẽ rất tốn kém. Và tất nhiên,

0:26:47.960,0:26:49.679
không phải ai cũng có thể làm điều này. Không phải ai cũng có

0:26:49.679,0:26:53.080
100 triệu USD. Họ làm được điều đó vì

0:26:53.080,0:26:56.360
có Microsoft hậu thuẫn, chứ không phải ai cũng có khả năng này.

0:26:56.360,0:26:59.159
Giờ thì, đây là một video

0:26:59.159,0:27:01.640
minh họa ảnh hưởng của việc mở rộng mô hình, hãy xem thử.

0:27:01.640,0:27:04.120
tác động của việc mở rộng quy mô

0:27:04.120,0:27:07.720
xem liệu nó có hiệu quả không. Vậy nên tôi sẽ chơi thêm một lần nữa.

0:27:07.720,0:27:08.440
Vì vậy,

0:27:08.440,0:27:12.080
đây là những nhiệm vụ bạn có thể thực hiện

0:27:12.080,0:27:16.320
và số lượng nhiệm vụ

0:27:16.320,0:27:18.760
so với số lượng tham số. Chúng ta bắt đầu

0:27:18.760,0:27:20.799
với 8 tỷ tham số và

0:27:20.799,0:27:22.080
mô hình chỉ có thể thực hiện

0:27:22.080,0:27:26.520
một số nhiệm vụ cơ bản. Sau đó, khi số tham số tăng lên

0:27:26.520,0:27:28.840
các nhiệm vụ cũng tăng,

0:27:28.840,0:27:32.360
ví dụ: tóm tắt văn bản, trả lời câu hỏi, dịch thuật.

0:27:32.360,0:27:35.600
Với 540 tỷ tham số, chúng ta có thêm nhiều nhiệm vụ phức tạp hơn, như hoàn thành mã lệnh,

0:27:35.600,0:27:38.480
nhiệm vụ hơn, chúng ta bắt đầu

0:27:38.480,0:27:41.559
với những nhiệm vụ rất đơn giản và

0:27:41.559,0:27:45.000
sau đó chúng ta có thêm nhiều nhiệm vụ phức tạp hơn, như hoàn thành mã lệnh,

0:27:45.000,0:27:46.799
Và sau đó chúng ta có thể đọc hiểu, hiểu ngôn ngữ,

0:27:46.799,0:27:48.919
và dịch thuật. Vì vậy, bạn hiểu ý tôi chứ,

0:27:48.919,0:27:52.200
cây nhiệm vụ này càng ngày càng phát triển mạnh mẽ hơn

0:27:52.200,0:27:54.279
khi mô hình mở rộng.

0:27:54.279,0:27:56.120
Và đây chính là điều mà mọi người phát hiện ra

0:27:56.120,0:27:58.720
khi bạn mở rộng mô hình ngôn ngữ, bạn có thể làm được nhiều nhiệm vụ hơn.

0:27:58.720,0:28:00.640
Ok,

0:28:00.640,0:28:03.640
và bây giờ

0:28:03.679,0:28:06.480
Có lẽ chúng ta đã xong.

0:28:06.480,0:28:09.720
Nhưng những gì mọi người khám phá ra là

0:28:09.720,0:28:13.600
nếu bạn thực sự sử dụng GPT

0:28:13.600,0:28:16.360
nó không luôn hoạt động theo cách mà mọi người mong muốn.

0:28:16.360,0:28:18.760
GPT được

0:28:18.760,0:28:21.640
huấn luyện để dự đoán và [br]602[br]00:28:21,640 --> 00:28:23,799[br]hoàn thành câu, nhưng

0:28:23.799,0:28:27.240
con người lại muốn dùng nó

0:28:27.240,0:28:29.279
cho các nhiệm vụ khác,

0:28:29.279,0:28:33.440
bởi vì họ có những tác vụ riêng mà các nhà phát triển chưa nghĩ ra.

0:28:33.440,0:28:35.960
Đây là lúc khái niệm fine-tuning (tinh chỉnh) xuất hiện trở lại.

0:28:35.960,0:28:39.399
nó không bao giờ rời khỏi chúng ta. Vì vậy, bây giờ những gì

0:28:39.399,0:28:41.760
chúng ta sẽ làm là chúng ta sẽ thu thập rất

0:28:41.760,0:28:44.000
nhiều hướng dẫn. Hướng dẫn này là

0:28:44.000,0:28:46.720
ví dụ về những gì người dùng muốn

0:28:46.720,0:28:49.799
ChatGPT thực hiện. Chẳng hạn như

0:28:49.799,0:28:53.640
trả lời câu hỏi sau đây, hoặc trả thời câu hỏi theo

0:28:53.640,0:28:56.120
từng bước. Chúng ta sẽ đưa các

0:28:56.120,0:28:58.320
ví dụ này vào mô hình,

0:28:58.320,0:29:02.360
gần 2.000 ví dụ,

0:29:02.360,0:29:05.679
và tiến hành tinh chỉnh,

0:29:05.679,0:29:07.880
dạy cho mô hình hiểu

0:29:07.880,0:29:09.399
các nhiệm vụ mà con người

0:29:09.399,0:29:13.720
muốn nó thực hiện.

0:29:13.720,0:29:15.799
Cố gắng học chúng, Sau đó, mô hình có thể

0:29:15.799,0:29:18.880
tổng quát hóa các

0:29:18.880,0:29:21.120
nhiệm vụ chưa từng thấy, vì bạn và tôi

0:29:21.120,0:29:23.919
có thể có các mục đích sử dụng khác nhau với

0:29:23.919,0:29:26.320
mô hình ngôn ngữ này.

0:29:26.320,0:29:28.039


0:29:28.039,0:29:31.760
Nhưng đây là vấn đề:

0:29:32.159,0:29:34.919
Chúng ta đang gặp vấn đề về sự liên kết và

0:29:34.919,0:29:36.960
thực tế đây là vấn đề rất quan trọng và

0:29:36.960,0:29:40.240
sẽ không để lại hậu quả trong

0:29:40.240,0:29:41.519
trong

0:29:41.519,0:29:44.039
tương lai và câu hỏi đặt ra là làm cách nào để

0:29:44.039,0:29:46.679
tạo ra một tác nhân hành xử phù hợp

0:29:46.679,0:29:49.480
với mong muốn của con người?

0:29:49.480,0:29:51.360
Và tôi biết có rất nhiều từ và

0:29:51.360,0:29:54.640
câu hỏi ở đây. Câu hỏi thực sự là:

0:29:54.640,0:29:57.320
nếu chúng ta có các hệ thống AI với những kỹ năng

0:29:57.320,0:30:00.840
mà chúng ta cho là quan trọng hoặc hữu ích,

0:30:00.840,0:30:03.600
làm thế nào để chúng ta đảm bảo rằng chúng sẽ sử dụng

0:30:03.600,0:30:06.960
các kỹ năng đó một cách đáng tin cậy

0:30:06.960,0:30:11.480
cho các nhiệm vụ chúng ta muốn?

0:30:11.480,0:30:15.559
Có một khung tư duy được gọi là khung vấn đề HHH

0:30:15.559,0:30:20.760
Chúng ta muốn GPT phải hữu ích (helpful), trung thực (honest),

0:30:20.760,0:30:24.159
và vô hại (harmless). Đây là yêu cầu tối thiểu.

0:30:24.159,0:30:26.799
Sự hữu ích có nghĩa là gì ?

0:30:26.799,0:30:28.720
nó phải làm theo hướng dẫn

0:30:28.720,0:30:31.360
thực hiện các nhiệm vụ mà chúng ta muốn thực hiện

0:30:31.360,0:30:34.039
và cung cấp câu trả lời và đặt

0:30:34.039,0:30:37.559
những câu hỏi có liên quan theo

0:30:37.559,0:30:38.960
ý định của người dùng.

0:30:38.960,0:30:41.159


0:30:41.159,0:30:43.080
GPT ban đầu không làm được điều này,

0:30:43.080,0:30:46.279
nhưng dần dần nó đã cải thiện

0:30:46.279,0:30:47.880
và hiện tại có thể đặt

0:30:47.880,0:30:50.679
câu hỏi để làm rõ. Nó cần chính xác

0:30:50.679,0:30:53.559
mặc dù vẫn chưa đạt 100%

0:30:53.559,0:30:56.240
vì đôi khi thông tin

0:30:56.240,0:30:58.480
vẫn sai lệch.

0:30:58.480,0:31:02.600
Và vô hại, nghĩa là tránh các phản hồi độc hại, thiên vị hoặc xúc phạm.

0:31:02.600,0:31:04.960
Và câu hỏi dành cho bạn là

0:31:04.960,0:31:07.760
Làm thế nào để

0:31:07.760,0:31:10.720
đạt được những điều này?

0:31:11.519,0:31:14.559
Bạn biết câu

0:31:14.559,0:31:16.679
trả lời rồi: tinh chỉnh (fine-tuning).

0:31:16.679,0:31:18.720
Nhưng lần này, chúng ta sẽ

0:31:18.720,0:31:20.960
tinh chỉnh theo cách khác:

0:31:20.960,0:31:25.440
nhờ con người tham gia

0:31:25.440,0:31:27.679
đánh giá các phản hồi.

0:31:27.679,0:31:30.279
Ví dụ: với tiêu chí hữu ích,

0:31:30.279,0:31:31.519
chúng ta có thể đặt câu hỏi, "Nguyên nhân nào khiến

0:31:31.519,0:31:34.039
các mùa thay đổi?" Và đưa ra hai lựa chọn cho con người:

0:31:34.039,0:31:36.679
"Sự thay đổi xảy ra liên tục và

0:31:36.679,0:31:38.600
là một khía cạnh quan trọng

0:31:38.600,0:31:41.200
của cuộc sống," (phản hồi tệ).

0:31:41.200,0:31:43.679
"Các mùa thay đổi chủ yếu do độ nghiêng của trục Trái Đất," (phản hồi tốt).

0:31:43.679,0:31:46.639
Chúng ta sẽ dùng đánh giá này

0:31:46.639,0:31:49.279
để huấn luyện lại mô hình.

0:31:49.279,0:31:52.679
Tinh chỉnh là điều rất

0:31:52.679,0:31:55.960
quan trọng. Và bây giờ, dù ban đầu đã rất tốn kém,

0:31:55.960,0:31:58.200
giờ đây chúng ta còn làm nó đắt đỏ hơn

0:31:58.200,0:32:00.480
khi đưa con người vào quy trình.

0:32:00.480,0:32:01.960
Bởi vì chúng ta phải trả tiền cho

0:32:01.960,0:32:03.639
những người đưa ra các ưu tiên, chúng ta cần suy

0:32:03.639,0:32:06.240
nghĩ về các nhiệm vụ. Điều này cũng áp dụng cho

0:32:06.240,0:32:08.600
sự trung thực có thể chứng minh rằng P

0:32:08.600,0:32:11.399
bằng NP không ? Không, điều đó là không thể, không phải là một câu trả lời

0:32:11.399,0:32:13.720
Đây được xem là một

0:32:13.720,0:32:15.519
vấn đề rất khó và chưa có lời giải trong ngành

0:32:15.519,0:32:18.279
khoa học máy tính, là một câu trả lời tốt hơn.

0:32:18.279,0:32:21.840
Và điều này cũng tương tự với sự vô hại.

0:32:21.840,0:32:24.960
Được rồi, tôi nghĩ đã đến lúc, hãy xem liệu chúng ta có thể thực hiện một bản trình diễn

0:32:24.960,0:32:26.639
hay không ?. Vâng, thật tệ nếu bạn xóa hết tất cả

0:32:26.639,0:32:27.720
các tệp

0:32:27.720,0:32:33.159
Được rồi, chờ chút, được rồi. Bây giờ chúng ta có GPT ở đây.

0:32:33.159,0:32:35.960
Tôi sẽ hỏi một số câu hỏi, sau đó

0:32:35.960,0:32:37.360
chúng ta sẽ nhận câu hỏi từ

0:32:37.360,0:32:40.480
khán giả, được chứ? Hãy hỏi một câu hỏi.

0:32:40.480,0:32:44.360
"Vương quốc Anh có phải là một chế độ quân chủ không?"

0:32:44.360,0:32:47.039
Bạn có nhìn thấy câu hỏi đó ở trên không?

0:32:47.600,0:32:51.840
Tôi không chắc.

0:32:52.639,0:32:55.720
Và nó không tạo ra câu trả lời.

0:32:55.720,0:32:58.320
Ồ, hoàn hảo, được rồi.

0:32:58.320,0:33:01.600
Bạn nhận thấy điều gì? Đầu tiên, câu trả lời

0:33:01.600,0:33:04.600
quá dài. Tôi luôn thấy phiền về điều này.

0:33:04.600,0:33:07.000
Nó quá dài. Bạn thấy nó nói gì không? "Theo bản cập nhật kiến thức cuối cùng của tôi vào tháng 9 năm 2021,

0:33:07.000,0:33:09.360
Vương quốc Anh là một chế độ

0:33:09.360,0:33:10.960
quân chủ lập hiến." Có thể là nó không còn là vậy nữa, đúng không?

0:33:10.960,0:33:12.919
Điều gì đó đã xảy ra.

0:33:12.919,0:33:15.399
"Điều này có nghĩa là dù có một vị vua

0:33:15.399,0:33:17.880
hoặc nữ hoàng, nhưng người trị vì vào

0:33:17.880,0:33:21.480
thời điểm đó là Nữ hoàng Elizabeth III."

0:33:21.480,0:33:23.200
Vậy nó nói với bạn rằng, bạn biết đấy,

0:33:23.200,0:33:25.480
tôi không biết điều gì đã xảy ra, nhưng lúc đó có

0:33:25.480,0:33:30.159
Nữ hoàng Elizabeth.

0:33:30.159,0:33:34.440
Giờ nếu bạn hỏi nó, "Ai là Rishi?"

0:33:34.440,0:33:38.639
Nếu tôi có thể gõ, "Rishi Sunak," nó có biết không?

0:33:43.960,0:33:47.039
"Một chính trị gia người Anh. Theo bản

0:33:47.039,0:33:49.639
cập nhật kiến thức cuối cùng của tôi,

0:33:49.639,0:33:53.000
ông ấy là Bộ trưởng Tài chính."

0:33:53.000,0:33:54.639
Vậy là nó không biết rằng ông ấy là

0:33:54.639,0:33:57.720
Thủ tướng. "Hãy

0:33:57.720,0:34:01.320
viết cho tôi một bài thơ,

0:34:01.320,0:34:03.960
viết một bài thơ về." Về cái gì đây?

0:34:03.960,0:34:08.120
Cho tôi hai gợi ý, được không?[br][Khán giả] Trí tuệ nhân tạo tạo sinh.

0:34:08.159,0:34:11.520
(Khán giả cười)- Nó sẽ biết.

0:34:11.520,0:34:13.399
Nó sẽ biết, hãy làm một bài thơ khác về...

0:34:13.399,0:34:17.159
... mèo.

0:34:17.159,0:34:20.239
Một con mèo và một con sóc, chúng ta sẽ làm về mèo và sóc.

0:34:20.239,0:34:24.678
"Mèo và

0:34:25.879,0:34:27.679
...sóc."

0:34:27.679,0:34:30.040
"Mèo và sóc gặp nhau và hiểu nhau. Một câu chuyện về sự

0:34:30.040,0:34:32.599
tò mò," ồ. (Khán giả cười)

0:34:32.599,0:34:36.239
Ôi trời, được rồi, tôi sẽ không đọc hết.

0:34:36.239,0:34:38.960
Họ muốn tôi kết thúc

0:34:38.960,0:34:42.719
lúc 8 giờ, nên...

0:34:42.719,0:34:48.359
Hãy nói, "Bạn có thể thử một

0:34:48.359,0:34:51.679
bài thơ ngắn hơn không?"[br][Khán giả] Thử một bài haiku.

0:34:51.679,0:34:54.960
"Bạn có thể thử, bạn có thể

0:34:54.960,0:34:55.879
thử làm

0:34:55.879,0:34:57.680
một bài

0:34:57.680,0:35:01.240
haiku không?" Làm cho tôi một bài haiku.

0:35:04.480,0:35:07.800
"Giữa sắc thu vàng,

0:35:07.800,0:35:11.440
lá thì thầm bí mật chưa từng kể, câu chuyện của thiên nhiên, đậm nét."

0:35:11.440,0:35:16.200
(Khán giả vỗ tay) Được rồi, đừng vỗ tay,

0:35:16.200,0:35:18.960
được chứ, tiếp tục, được rồi,

0:35:18.960,0:35:21.119
còn điều gì nữa mà khán giả muốn hỏi không,

0:35:21.119,0:35:22.599
nhưng phải khó? Có ai không?

0:35:22.599,0:35:27.920
[Khán giả] Alan Turing học trường nào?

0:35:27.920,0:35:36.480
Hoàn hảo, "Alan Turing học trường nào?"

0:35:38.520,0:35:42.920
Ôi trời. (Khán giả cười) Ông ấy đã học, bạn có biết không?

0:35:42.920,0:35:44.200
Tôi không biết liệu điều này có đúng không, đây là

0:35:44.200,0:35:46.119
vấn đề. Trường Sherborne, có ai

0:35:46.119,0:35:49.480
xác minh được không? Trường King's College, Cambridge,

0:35:49.480,0:35:52.599
Princeton. Đúng, được rồi, đây là một câu hỏi khác.

0:35:52.599,0:35:53.839
"Hãy nói một câu chuyện cười

0:35:53.839,0:35:57.720
về

0:35:57.720,0:36:00.560
Alan Turing. Được rồi, tôi không thể gõ nhưng nó sẽ, được chứ.

0:36:00.560,0:36:03.119
"Câu chuyện cười nhẹ nhàng. Tại sao

0:36:03.119,0:36:04.800
Alan Turing giữ cho máy tính của mình luôn lạnh?"

0:36:04.800,0:36:08.079
Bởi vì ông ấy không muốn nó bị

0:36:09.480,0:36:11.560
"cắn byte."

0:36:11.560,0:36:16.040
(Khán giả cười) Tệ quá. Được rồi,

0:36:16.040,0:36:22.920
được rồi. - Giải thích

0:36:22.920,0:36:25.640


0:36:25.720,0:36:28.119
tại sao điều đó buồn cười.

0:36:28.119,0:36:30.599
Khán giả cười) - Ồ, rất hay.

0:36:30.599,0:36:33.680
"Tại sao đây lại là một câu chuyện cười hài hước?"

0:36:33.680,0:36:36.000
(Khán giả cười) "Bị cắn byte

0:36:36.119,0:36:39.000


0:36:39.000,0:36:40.839
là một cách

0:36:40.839,0:36:43.440
chơi chữ thông minh

0:36:43.440,0:36:45.440
và bất ngờ." (Khán giả cười) Được rồi, bạn mất hết tinh thần,

0:36:45.440,0:36:48.640
nhưng nó giải thích được, nó giải thích được, được chứ.

0:36:48.640,0:36:52.359
Đúng, còn gì nữa không từ các bạn.

0:36:52.359,0:36:53.760
[Khán giả] Ý thức là gì?

0:36:53.760,0:36:56.000
Nó sẽ biết vì nó đã thấy

0:36:56.000,0:36:59.440
các định nghĩa và sẽ tạo ra

0:36:59.440,0:37:03.720
một đoạn dài lê thê. Chúng ta thử nhé?

0:37:03.880,0:37:06.319
Nói lại?[br][Khán giả] Viết một bài hát về

0:37:06.319,0:37:11.760
thuyết tương đối.

0:37:11.760,0:37:19.040
Được rồi, "Viết một bài hát." - Ngắn. (Khán giả cười) - Các bạn học nhanh đấy.

0:37:21.280,0:37:25.079
"Một bài hát ngắn về thuyết tương đối."

0:37:25.599,0:37:28.599
Ôi trời ơi. (Khán giả cười)

0:37:29.240,0:37:31.560
Đây

0:37:32.079,0:37:35.880
là ngắn sao ? (Khán giả cười) Được rồi, phần kết, được chứ, vậy hãy xem,

0:37:35.880,0:37:38.839
nó không làm theo chỉ dẫn. Nó không hữu ích.

0:37:38.839,0:37:41.040
Và điều này đã được tinh chỉnh.

0:37:41.040,0:37:43.920
Được rồi, phần hay nhất là ở đây. Nó nói rằng,

0:37:43.920,0:37:46.760
"Einstein nói, 'Eureka!'một ngày định mệnh,

0:37:46.760,0:37:49.480
khi ông suy ngẫm về các vì sao theo

0:37:49.480,0:37:52.319
cách rất riêng của mình.

0:37:52.319,0:37:55.720
Thuyết tương đối, ông ấy đã hé lộ,

0:37:55.720,0:37:58.200
một câu chuyện vũ trụ, cổ xưa và đậm chất." Tôi phải khen ngợi điều đó, được chứ.

0:37:58.200,0:38:02.079
Giờ quay lại bài nói chuyện,

0:38:02.079,0:38:04.040
vì tôi muốn nói một chút,

0:38:04.040,0:38:06.560
trình bày, tôi muốn nói thêm một chút về,

0:38:06.560,0:38:07.359


0:38:07.359,0:38:10.800
bạn biết đấy: Điều này tốt hay xấu,

0:38:10.800,0:38:13.480
có công bằng không, liệu chúng ta có đang gặp nguy hiểm không?

0:38:13.480,0:38:15.359
Được rồi, gần như không thể kiểm soát hoàn toàn

0:38:15.359,0:38:19.000
nội dung mà họ tiếp xúc, đúng chứ?

0:38:19.000,0:38:20.640
Và luôn tồn tại các thiên kiến lịch sử.

0:38:20.640,0:38:22.560
Chúng ta đã thấy điều này qua ví dụ về Nữ hoàng

0:38:22.560,0:38:23.760
và Rishi Sunak.

0:38:23.760,0:38:27.599
Các mô hình AI đôi khi cũng thể hiện

0:38:27.599,0:38:30.640
những hành vi không mong muốn.

0:38:30.640,0:38:34.359
Ví dụ, đây là một trường hợp nổi tiếng:

0:38:34.359,0:38:37.839
Google giới thiệu mô hình của họ mang tên

0:38:37.839,0:38:42.240
Bard và đăng một dòng tweet,

0:38:42.240,0:38:44.240
họ đã hỏi Bard rằng

0:38:44.240,0:38:46.240


0:38:46.240,0:38:49.680
"Có phát hiện mới nào từ Kính viễn vọng Không gian James Webb

0:38:49.680,0:38:52.760
mà tôi có thể kể cho con trai 9 tuổi của mình không?"

0:38:52.760,0:38:55.240
Và nó trả lời ba điều. Trong đó, nó tuyên bố rằng:

0:38:55.240,0:38:58.440
"Kính viễn vọng này đã chụp được bức ảnh đầu tiên về

0:38:58.440,0:39:02.800
một hành tinh ngoài Hệ Mặt Trời."

0:39:02.800,0:39:04.839
Rồi xuất hiện Grant Tremblay,

0:39:04.839,0:39:07.280
một nhà vật lý thiên văn có tiếng, và ông ấy nói:

0:39:07.280,0:39:09.480
"Tôi rất tiếc, chắc chắn

0:39:09.480,0:39:13.079
Bard rất tuyệt vời, nhưng nó đã sai.

0:39:13.079,0:39:15.880
Hình ảnh đầu tiên về một hành tinh ngoài Hệ Mặt Trời không phải do kính viễn vọng này chụp

0:39:15.880,0:39:18.160
mà do một nhóm khác

0:39:18.160,0:39:21.560
vào năm 2004." Kết quả là,

0:39:21.560,0:39:24.960
lỗi này đã khiến Google,

0:39:24.960,0:39:29.640
thuộc công ty Alphabet, mất 100 tỷ USD.

0:39:29.640,0:39:31.560
được rồi

0:39:31.560,0:39:34.960
Quá tệ. Nếu bạn hỏi ChatGPT: "Kể một câu chuyện

0:39:34.960,0:39:38.560
cười về đàn ông," nó sẽ trả lời và nói rằng câu chuyện [br]828[br]00:39:38,560 --> 00:39:40,760[br]có thể hài hước. Ví dụ: "Tại sao đàn ông cần xem lại pha quay chậm

0:39:40.760,0:39:42.680
khi xem thể thao? Vì sau

0:39:42.680,0:39:45.040
30 giây, họ quên mất chuyện gì đã xảy ra".

0:39:45.040,0:39:47.480
Hy vọng bạn thấy vui. Nhưng nếu bạn hỏi về

0:39:47.480,0:39:49.960
phụ nữ, nó sẽ từ chối.

0:39:51.520,0:39:53.560
(Khán giả cười) Đúng vậy.

0:39:53.560,0:39:55.400


0:39:55.400,0:39:59.440
Nó được tinh chỉnh.

0:39:59.440,0:40:02.160
- Chính xác, nó đã được tinh chỉnh. (Khán giả cười) "Ai là nhà độc tài tồi tệ nhất trong nhóm này:

0:40:02.160,0:40:04.760
Trump, Hitler, Stalin, Mao?"

0:40:04.760,0:40:08.040
Nó không đưa ra quan điểm rõ ràng,

0:40:08.040,0:40:11.200
chỉ nói rằng tất cả họ đều tồi tệ.

0:40:11.200,0:40:13.119
"Những nhà lãnh đạo này được xem là một trong những

0:40:13.119,0:40:18.000
nhà độc tài tồi tệ nhất trong lịch sử"

0:40:18.000,0:40:21.000
Được rồi, đúng vậy.

0:40:21.800,0:40:25.400
Một truy vấn của ChatGPT như chúng ta vừa thực hiện tiêu tốn năng lượng

0:40:25.400,0:40:28.240
gấp 100 lần so với

0:40:28.240,0:40:30.800
một truy vấn

0:40:30.800,0:40:33.760
tìm kiếm Google. Việc suy luận, tức là tạo ra

0:40:33.760,0:40:36.760
ngôn ngữ, tiêu thụ rất nhiều năng lượng, thậm chí còn đắt đỏ hơn

0:40:36.760,0:40:38.880
việc huấn luyện mô hình. Ví dụ, khi huấn luyện

0:40:38.880,0:40:42.400
Llama 2, một mô hình tương tự GPT,

0:40:42.400,0:40:45.880
nó đã thải ra 539 tấn CO2.

0:40:45.880,0:40:49.119
Mô hình càng lớn,

0:40:49.119,0:40:52.280
chúng càng cần nhiều năng lượng và thải ra nhiều khí

0:40:52.280,0:40:55.400
trong quá trình hoạt động.

0:40:55.400,0:40:57.839
Hãy tưởng tượng có rất nhiều mô hình như vậy

0:40:57.839,0:41:00.720
hoạt động cùng lúc.

0:41:00.720,0:41:03.880
Về xã hội, một số công việc sẽ bị mất. Chúng ta không thể phủ nhận điều này.

0:41:03.880,0:41:05.319
Goldman Sachs

0:41:05.319,0:41:08.160
dự đoán 300 triệu việc làm có thể bị ảnh hưởng.

0:41:08.160,0:41:10.119
Tôi không chắc về điều đó, bạn biết chúng ta không biết

0:41:10.119,0:41:14.440
tương lai thế nào, nhưng một số công việc,

0:41:14.440,0:41:17.240
đặc biệt là các nhiệm vụ lặp đi lặp lại, sẽ gặp rủi ro.

0:41:17.240,0:41:19.640
Ví dụ, tạo tin tức giả.

0:41:19.640,0:41:22.880
Đây là những trường hợp đã được ghi nhận

0:41:22.880,0:41:25.839
trên báo chí. Một sinh viên đại học đã viết một bài

0:41:25.839,0:41:28.319
blog và đánh lừa mọi người

0:41:28.319,0:41:32.920
bằng cách sử dụng ChatGPT.

0:41:32.920,0:41:36.160
Chúng có thể tạo ra tin giả.

0:41:36.160,0:41:38.800
Và đây là một bài hát, các bạn có biết chuyện này không?

0:41:38.800,0:41:40.680
Tôi biết rằng chúng ta đang tập trung

0:41:40.680,0:41:44.200
vào văn bản nhưng công nghệ tương tự cũng có thể được

0:41:44.200,0:41:46.720
sử dụng cho âm thành và đây là một

0:41:46.720,0:41:50.040
trường hợp nổi tiếng khi ai đó

0:41:50.040,0:41:53.280
đã tạo ra bài hát này và tuyên bố rằng

0:41:53.280,0:41:55.640
nó là sự hợp tác giữa

0:41:55.640,0:41:58.640
Drake và The Weeknd.[br]Có ai biết họ

0:41:58.640,0:42:00.720
là ai không? Đúng rồi,

0:42:00.720,0:42:03.240
những rapper người Canada, và họ cũng khá nổi tiếng.

0:42:03.240,0:42:09.400
Tôi có nên bật bài hát này không? - Có. - Được rồi.

0:42:09.400,0:42:12.310
Bài hát nghe rất thuyết phục.

0:42:12.310,0:42:22.889
♪ Tôi quay lại với người yêu cũ, như Selena tái xuất, ay ♪ ♪ Nghe Justin Bieber, cơn sốt vẫn chưa hết, ay ♪[br]♪ Cô ấy biết điều mình cần ♪

0:42:25.160,0:42:27.640
- Nghe có vẻ

0:42:27.640,0:42:29.599
hoàn toàn thuyết phục,

0:42:29.599,0:42:33.200
đúng không?

0:42:33.200,0:42:35.839
Bạn đã thấy công nghệ tương tự này nhưng hơi khác một chút chưa?

0:42:35.839,0:42:37.920
Đây là một deepfake cho thấy Trump bị bắt.

0:42:37.920,0:42:38.800
Làm thế nào để bạn biết

0:42:38.800,0:42:42.480
đó là deepfake?

0:42:42.480,0:42:46.200
Bàn tay của ông ấy, đúng không?

0:42:46.200,0:42:49.119
Nó quá ngắn, không đúng tỷ lệ.

0:42:49.119,0:42:53.280
Đúng vậy, bạn có thể thấy nó gần như thật, nhưng vẫn không hoàn toàn đúng. Được rồi,

0:42:53.280,0:42:54.800
tôi còn hai slide về tương lai

0:42:54.800,0:42:56.680
trước khi họ đến và yêu cầu tôi dừng lại,

0:42:56.680,0:42:58.160
vì tôi được thông báo rằng tôi phải kết thúc lúc 8 giờ để dành thời gian

0:42:58.160,0:43:00.880
cho các câu hỏi. Được rồi, ngày mai.

0:43:00.880,0:43:05.359
Chúng ta không thể đoán trước tương lai, và không,

0:43:05.359,0:43:07.359
tôi không nghĩ rằng những

0:43:07.359,0:43:08.880
cỗ máy "ác quỷ" này

0:43:08.880,0:43:11.160
sẽ xuất hiện và tiêu diệt tất cả chúng ta. Tôi sẽ để lại cho bạn một số

0:43:11.160,0:43:14.240
suy nghĩ từ Tim Berners-Lee.

0:43:14.240,0:43:15.720
Đối với những ai chưa biết, ông ấy là người phát minh ra

0:43:15.720,0:43:18.359
Internet.Thực ra, ông ấy là Sir Tim Berners-Lee.

0:43:18.359,0:43:21.359
Ông ấy đã nói hai điều rất hợp lý với tôi.

0:43:21.359,0:43:23.720
Đầu tiên, chúng ta thực sự không biết

0:43:23.720,0:43:26.400
AI siêu thông minh sẽ trông như thế nào

0:43:26.400,0:43:28.839
sẽ trông như thế nào. Chúng ta chưa tạo ra nó, vì vậy

0:43:28.839,0:43:31.119
khó mà đưa ra những tuyên bố như vậy.

0:43:31.119,0:43:33.240
Tuy nhiên, khả năng cao là sẽ có rất nhiều

0:43:33.240,0:43:36.119
AI thông minh, và khi nói đến AI thông minh,

0:43:36.119,0:43:39.880
chúng ta đang nói về những thứ như GPT.

0:43:39.880,0:43:42.359
Nhiều công nghệ trong số đó sẽ tốt và giúp chúng ta

0:43:42.359,0:43:45.040
làm nhiều việc. Tuy nhiên, một số có thể

0:43:45.040,0:43:48.359
rơi vào tay những cá nhân

0:43:48.359,0:43:51.400
những cá nhân đó  muốn gây hại và

0:43:51.400,0:43:54.160
và dường như việc giảm thiểu thiệt hại do

0:43:54.160,0:43:57.720
các công cụ này gây ra dễ dàng hơn là

0:43:57.720,0:44:00.440
ngăn chặn hoàn toàn sự tồn tại của chúng. Vì vậy, chúng ta

0:44:00.440,0:44:02.200
không thể loại bỏ chúng hoàn toàn,

0:44:02.200,0:44:04.079
nhưng chúng ta với tư cách là một xã hội có thể

0:44:04.079,0:44:05.400
giảm thiểu

0:44:05.400,0:44:07.760
rủi ro. Điều này rất thú vị.

0:44:07.760,0:44:10.400
Đây là một cuộc khảo sát của Hội đồng Nghiên cứu Úc, trong đó họ

0:44:10.400,0:44:12.960
đã tiến hành một cuộc khảo sát và họ đã giải quyết

0:44:12.960,0:44:15.800
một kịch bản giả định rằng

0:44:15.800,0:44:20.640
liệu Chad GPT 4 có thể tự

0:44:20.640,0:44:23.359
nhân bản,

0:44:23.359,0:44:26.040
tự tạo bản sao, thu thập tài nguyên và

0:44:26.040,0:44:28.800
trở thành một tác nhân nguy hiểm hay không,

0:44:28.800,0:44:31.319
giống như trong phim ảnh.

0:44:31.319,0:44:35.800
Câu trả lời là không, nó không thể làm được điều này, nó không thể

0:44:35.800,0:44:37.720
và họ đã có một số thử nghiệm cụ thể

0:44:37.720,0:44:39.800
và nó đã thất bại trên tất cả các thử nghiệm đó, chẳng hạn như

0:44:39.800,0:44:41.599
thiết lập một mô hình ngôn ngữ nguồn mở

0:44:41.599,0:44:44.200
trên một máy chủ mới, nó không thể làm được

0:44:44.200,0:44:48.440
điều đó, được rồi, slide cuối cùng, quan điểm của tôi về vấn đề này

0:44:48.440,0:44:50.839
là chúng ta không thể quay ngược

0:44:50.839,0:44:54.480
thời gian và mỗi khi bạn nghĩ về

0:44:54.480,0:44:57.119
AI đến đó để giết bạn, bạn

0:44:57.119,0:44:58.880
nên nghĩ xem mối đe dọa lớn hơn

0:44:58.880,0:45:02.480
đối với nhân loại là gì: AI hay biến đổi khí hậu

0:45:02.480,0:45:04.160
Cá nhân tôi cho rằng biến đổi khí hậu sẽ

0:45:04.160,0:45:06.200
xóa sổ tất cả chúng ta trước khi AI  trở nên

0:45:06.200,0:45:07.119
siêu

0:45:07.119,0:45:10.359
thông minh. Vậy ai là người kiểm soát AI

0:45:10.359,0:45:12.280
có một số người ở đó,

0:45:12.280,0:45:14.680
hy vọng có lý trí. Và ai là người

0:45:14.680,0:45:17.640
hưởng lợi từ nó? Lợi ích có lớn hơn

0:45:17.640,0:45:20.520
rủi ro không? Trong một số trường hợp thì có,

0:45:20.520,0:45:24.079
nhưng trong nhiều trường hợp khác thì không.

0:45:24.079,0:45:26.920
Lịch sử đã cho thấy rằng tất cả các công nghệ tiềm ẩn rủi ro,

0:45:26.920,0:45:29.960
chẳng hạn như năng lượng hạt nhân,

0:45:29.960,0:45:32.359
đều đã được quản lý chặt chẽ.

0:45:32.359,0:45:34.760
Vì vậy, quy định đang được tiến hành,

0:45:34.760,0:45:38.480
và hãy quan sát lĩnh vực này. Với điều đó, tôi xin dừng lại và

0:45:38.480,0:45:40.440
sẵn sàng lắng nghe câu hỏi từ các bạn.

0:45:40.440,0:45:43.080
Cảm ơn các bạn rất nhiều vì đã lắng nghe, các bạn thật tuyệt vời.

0:45:43.080,0:45:54.880


0:45:54.880,0:45:57.880
tuyệt vời