1
00:00:06,470 --> 00:00:09,400
[Âm nhạc]

2
00:00:09,400 --> 00:00:12,040
[Vỗ tay]

3
00:00:12,040 --> 00:00:16,119
Wow, đông quá nhỉ. Tốt, cảm ơn 

4
00:00:16,119 --> 00:00:20,640
vì lời giới thiệu đáng yêu đó.

5
00:00:20,640 --> 00:00:22,680


6
00:00:22,680 --> 00:00:25,160
Được rồi, vậy 

7
00:00:25,160 --> 00:00:28,279
trí tuệ nhân tạo sáng tạo (generative artificial intelligence) là gì? 

8
00:00:28,279 --> 00:00:30,199
tôi muốn phần này có tính tương tác một chút

9
00:00:30,199 --> 00:00:32,200
vì vậy sẽ có phần tham gia 

10
00:00:32,200 --> 00:00:34,920
tham gia từ những người ở đây

11
00:00:34,920 --> 00:00:36,960
Những người tổ chức buổi giảng này nói với tôi, "Oh, bạn là người 

12
00:00:36,960 --> 00:00:40,120
ít hiểu biết về công nghệ đối với một người làm việc về AI."

13
00:00:40,120 --> 00:00:42,039
Tôi không có vụ nổ hay 

14
00:00:42,039 --> 00:00:44,640
thí nghiệm nào nên tôi e rằng bạn sẽ phải

15
00:00:44,640 --> 00:00:47,600
tham gia vào. hy vọng điều đó không sao chứ. Được rồi,

16
00:00:47,600 --> 00:00:50,079
vậy trí tuệ nhân tạo tạo sinh là gì,

17
00:00:50,079 --> 00:00:53,680
thuật ngữ này được tạo thành

18
00:00:53,680 --> 00:00:56,680
từ hai thứ: trí tuệ nhân tạo

19
00:00:56,680 --> 00:00:58,800
và tạo sinh, 

20
00:00:58,800 --> 00:01:02,440
trí tuệ nhân tạo là một thuật ngữ hoa mỹ để nói rằng

21
00:01:02,440 --> 00:01:04,959
chúng ta có một chương trình máy tính để thực hiện công việc

22
00:01:04,959 --> 00:01:07,880
mà con người sẽ làm và

23
00:01:07,880 --> 00:01:10,520
tạo sinh  đây là phần thú vị chúng ta đang

24
00:01:10,520 --> 00:01:14,040
tạo ra nội dung mới mà máy tính

25
00:01:14,040 --> 00:01:16,560
chưa chắc đã thấy, nó có thể thấy

26
00:01:16,560 --> 00:01:19,159
một phần nào đó của nội dung đó và nó có thể tổng hợp nội

27
00:01:19,159 --> 00:01:22,119
dung đó và cung cấp cho chúng ta những điều mới, vậy

28
00:01:22,119 --> 00:01:25,439
nội dung mới này sẽ là gì, có thể là âm thanh,

29
00:01:25,439 --> 00:01:27,920
có thể là mã nguồn máy tính  để tạo ra

30
00:01:27,920 --> 00:01:31,240
một chương trình cho chúng ta, nó có thể là một hình ảnh mới,

31
00:01:31,240 --> 00:01:33,720
nó có thể là một đoạn văn bản như email hoặc một

32
00:01:33,720 --> 00:01:37,079
bài luận mà bạn đã nghe  hay video. Trong

33
00:01:37,079 --> 00:01:39,680
bài giảng này tôi sẽ chỉ

34
00:01:39,680 --> 00:01:41,840
tập trung chủ yếu vào văn bản vì tôi làm về

35
00:01:41,840 --> 00:01:43,119
xử lý ngôn ngữ tự nhiên và đó là lĩnh vực mà tôi

36
00:01:43,119 --> 00:01:46,840
hiểu biết rõ nhất và chúng ta sẽ xem

37
00:01:46,840 --> 00:01:50,079
công nghệ hoạt động như thế nào và hy vọng là

38
00:01:50,079 --> 00:01:53,960
sau bài giảng này các bạn biết sẽ hiểu rằng dù có

39
00:01:53,960 --> 00:01:55,759
có rất nhiều huyền thoại xung quanh nó, 

40
00:01:55,759 --> 00:01:59,200
nhưng thật ra nó

41
00:01:59,200 --> 00:02:01,159
chỉ là một công cụ mà thôi, được chứ ?

42
00:02:01,159 --> 00:02:03,960
Được rồi, vậy phần bố cục của bài giảng 

43
00:02:03,960 --> 00:02:05,200
có ba phần và nó hơi

44
00:02:05,200 --> 00:02:09,199
nhàm chán. Đây là Alice Morse Earle. Tôi không

45
00:02:09,199 --> 00:02:11,959
hi vọng các bạn biết người phụ nữ này,  bà là một

46
00:02:11,959 --> 00:02:16,400
nhà văn người Mỹ và bà viết về

47
00:02:16,400 --> 00:02:19,720
kỷ vật và phong tục nhưng bà nổi tiếng

48
00:02:19,720 --> 00:02:22,120
với những câu trích dẫn của mình Ví dụ như câu này:

49
00:02:22,120 --> 00:02:24,319
 "Hôm qua là lịch sử, 

50
00:02:24,319 --> 00:02:26,640
ngày mai là bí ẩn, hôm nay là một món quà

51
00:02:26,640 --> 00:02:28,040
và đó là lý do tại sao nó được gọi là hiện tại"

52
00:02:28,040 --> 00:02:31,280
Đây là một câu trích dẫn rất lạc quan  và

53
00:02:31,280 --> 00:02:34,560
bài giảng về cơ bản là về quá khứ,

54
00:02:34,560 --> 00:02:38,800
hiện tại và tương lai của AI, được rồi,

55
00:02:38,800 --> 00:02:41,560
điều tôi muốn nói ngay từ đầu

56
00:02:41,560 --> 00:02:45,480
là AI tạo sinh không phải là một

57
00:02:45,480 --> 00:02:50,599
khái niệm mới, nó đã tồn tại từ khá lâu rồi. Vậy có

58
00:02:50,599 --> 00:02:53,360
bao nhiêu người trong số các bạn đã sử dụng hoặc đang sử dụng

59
00:02:53,360 --> 00:02:56,560
quen thuộc với Google dịch ? Cho tôi xem

60
00:02:56,560 --> 00:03:00,480
cánh tay nào? Được rồi, ai có thể cho tôi biết

61
00:03:00,480 --> 00:03:02,879
Google dịch ra mắt

62
00:03:02,879 --> 00:03:04,440


63
00:03:04,440 --> 00:03:06,239
lần đầu tiên là khi nào ?

64
00:03:06,239 --> 00:03:10,400
Năm 1995 ? Ồ, điều đó sẽ tốt đây. Năm 2006,

65
00:03:10,400 --> 00:03:14,599
tức là nó đã tồn tại được 17 năm rồi và

66
00:03:14,599 --> 00:03:16,680
tất cả chúng ta đã sử dụng nó và đây là một

67
00:03:16,680 --> 00:03:19,080
ví dụ về AI tạo sinh, văn bản tiếng Hy Lạp

68
00:03:19,080 --> 00:03:21,959
được nhập vào (Tôi là người Hy Lạp, nên bạn biết đấy, hãy dành chút tình cảm

69
00:03:21,959 --> 00:03:26,680
Đúng vậy, đoạn văn bản tiếng Hy Lạp đã được nhập vào và

70
00:03:26,680 --> 00:03:29,799
đoạn văn bản tiếng Anh xuất hiện và Google

71
00:03:29,799 --> 00:03:31,720
dịch đã phục vụ chúng ta rất tốt trong

72
00:03:31,720 --> 00:03:34,200
suốt những năm qua và không ai làm

73
00:03:34,200 --> 00:03:39,200
ầm lên về nó cả. Một ví dụ khác là Siri

74
00:03:39,200 --> 00:03:43,080
trên điện thoại. Siri

75
00:03:43,080 --> 00:03:45,239
đã ra mắt vào

76
00:03:45,239 --> 00:03:50,480
năm 2011, 12 năm trước và nó đã trở thành một hiện tượng

77
00:03:50,480 --> 00:03:52,720
Đây cũng là một ví dụ khác về

78
00:03:52,720 --> 00:03:55,280
AI tạo sinh, chúng ta có thể yêu cầu Siri đặt

79
00:03:55,280 --> 00:03:59,120
báo thức và Siri sẽ trả lời lại, thật

80
00:03:59,120 --> 00:04:00,200
tuyệt vời,

81
00:04:00,200 --> 00:04:01,920
bạn có thể hỏi về báo thức

82
00:04:01,920 --> 00:04:03,959
hoặc bất cứ thứ gì khác, đây chính là AI tạo sinh,

83
00:04:03,959 --> 00:04:06,560
Dù không tinh vi như Chat GPT, 

84
00:04:06,560 --> 00:04:09,000
nhưng nó đã xuất hiện từ trước rồi và không biết có bao

85
00:04:09,000 --> 00:04:10,799
nhiêu người trong số các bạn dùng

86
00:04:10,799 --> 00:04:14,640
iPhone? Xem kìa, iPhone khá phổ biến. Tôi

87
00:04:14,640 --> 00:04:18,238
không hiểu tại sao. Được rồi, vậy là chúng ta đều

88
00:04:18,238 --> 00:04:20,358
quen thuộc với nó và tất nhiên

89
00:04:20,358 --> 00:04:23,040
sau đó có Amazon Alexa và nhiều thứ khác nữa. Vậy một lần nữa,

90
00:04:23,040 --> 00:04:27,320
AI tạo sinh  Không phải là một

91
00:04:27,320 --> 00:04:30,280
khái niệm mới, nó ở khắp mọi nơi, nó là một phần của

92
00:04:30,280 --> 00:04:33,039
điện thoại của bạn. Tính năng  hoàn thành tự động khi bạn

93
00:04:33,039 --> 00:04:35,199
gửi email hoặc khi bạn gửi email hoặc

94
00:04:35,199 --> 00:04:39,400
tin nhắn. Điện thoại cố gắng hoàn thành

95
00:04:39,400 --> 00:04:42,280
câu của bạn, cố gắng suy nghĩ giống như

96
00:04:42,280 --> 00:04:44,639
bạn và nó giúp bạn tiết kiệm thời gian, đúng chứ ? vì

97
00:04:44,639 --> 00:04:46,680
một số gợi ý đã có sẵn rồi

98
00:04:46,680 --> 00:04:48,479
Tương tự như với Google, khi bạn nhập liệu,

99
00:04:48,479 --> 00:04:50,520
nó cố gắng đoán từ khóa tìm kiếm của bạn

100
00:04:50,520 --> 00:04:53,199
Đây là một ví dụ về

101
00:04:53,199 --> 00:04:55,120
mô hình ngôn ngữ, chúng ta sẽ nghe rất nhiều về

102
00:04:55,120 --> 00:04:58,080
mô hình ngôn ngữ trong bài nói chuyện này, vì vậy về cơ bản chúng ta đang

103
00:04:58,080 --> 00:04:59,880
đưa ra dự đoán về những gì

104
00:04:59,880 --> 00:05:03,680
tiếp theo sẽ như thế nào. Vì vậy,

105
00:05:03,680 --> 00:05:05,840
điều tôi muốn nói với bạn là AI tạo sinh

106
00:05:05,840 --> 00:05:08,960
không hẳn là mới mẻ. Vậy vấn đề là gì, tại sao mọi người lại bàn tán xôn xao

107
00:05:08,960 --> 00:05:11,080
chuyện gì đã xảy ra ?

108
00:05:11,080 --> 00:05:13,840
vào năm

109
00:05:13,840 --> 00:05:17,759
2023, Open AI mở một công ty ở

110
00:05:17,759 --> 00:05:19,720
California thực tế là ở San Francisco. Nếu

111
00:05:19,720 --> 00:05:21,560
bạn đến San Francisco, bạn thậm chí có thể nhìn thấy

112
00:05:21,560 --> 00:05:24,840
ánh đèn của tòa nhà họ vào ban đêm

113
00:05:24,840 --> 00:05:26,639
Họ đã công bố

114
00:05:26,639 --> 00:05:31,080
GPT-4 và tuyên bố rằng nó có thể vượt quá 90%

115
00:05:31,080 --> 00:05:34,199
con người trong bài kiểm tra SAT. Đối với 

116
00:05:34,199 --> 00:05:36,919
những ai chưa biết, SAT là một

117
00:05:36,919 --> 00:05:39,759
bài kiểm tra tiêu chuẩn mà học sinh ở Mỹ

118
00:05:39,759 --> 00:05:41,840
phải làm để vào Đại học. Đó là một

119
00:05:41,840 --> 00:05:44,520
bài kiểm tra tuyển sinh và đó là bài trắc nghiệm

120
00:05:44,520 --> 00:05:48,759
được xem là không dễ. Vậy mà GPT-4

121
00:05:48,759 --> 00:05:50,919
có thể làm được, họ cũng tuyên bố rằng nó có thể

122
00:05:50,919 --> 00:05:54,840
đạt điểm cao trong các kỳ thi luật, y khoa

123
00:05:54,840 --> 00:05:57,160
và các kỳ thi khác. Họ có cả một loạt các kết quả

124
00:05:57,160 --> 00:05:59,880
mà họ không chỉ tuyên bố mà còn 

125
00:05:59,880 --> 00:06:03,520
chứng minh rằng GPT-4 có thể làm được.

126
00:06:03,520 --> 00:06:07,360
Ngoài việc nó có thể vượt qua các kỳ thi

127
00:06:07,360 --> 00:06:10,520
chúng ta có thể yêu cầu nó làm những việc khác. Ví dụ, bạn

128
00:06:10,520 --> 00:06:14,199
có thể yêu cầu nó viết văn bản cho bạn. Chẳng

129
00:06:14,199 --> 00:06:17,560
hạn bạn có thể đưa ra một "prompt" (yêu cầu)

130
00:06:17,560 --> 00:06:19,440
cái mà bạn thấy trên kia, 

131
00:06:19,440 --> 00:06:22,400
đó chính là prompt. Đó chính là những gì con người muốn

132
00:06:22,400 --> 00:06:24,960
công cụ thực hiện cho họ. Một

133
00:06:24,960 --> 00:06:26,919
prompt có thể là: "Tôi đang viết một  bài luận

134
00:06:26,919 --> 00:06:28,880
về việc sử dụng điện thoại di động khi

135
00:06:28,880 --> 00:06:31,199
lái xe. Bạn có thể đưa ra cho tôi ba luận điểm

136
00:06:31,199 --> 00:06:34,160
ủng hộ điều này không ? Nếu
137
00:06:34,160 --> 00:06:36,199
bạn hỏi tôi, tôi không chắc tôi có thể đưa ra

137
00:06:36,199 --> 00:06:38,919
ba luận điểm. Bạn cũng có thể yêu cầu, và

138
00:06:38,919 --> 00:06:41,080
đây là những yêu cầu thực sự mà 

139
00:06:41,080 --> 00:06:44,960
công cụ  có thể làm. Bạn nói với Chat GPT hoặc GPT nói

140
00:06:44,960 --> 00:06:47,080
chung hoạt động như một lập trình viên JavaScript.

141
00:06:47,080 --> 00:06:48,599
Viết một chương trình kiểm tra

142
00:06:48,599 --> 00:06:51,560
thông tin trên biểu mẫu. Tên và email là

143
00:06:51,560 --> 00:06:53,720
bắt buộc, nhưng địa chỉ và tuổi thì không. "Vậy là

144
00:06:53,720 --> 00:06:56,639
tôi chỉ cần viết điều này và công cụ sẽ

145
00:06:56,639 --> 00:06:59,199
đưa ra  một chương trình và đây là điều thú vị nhất:

146
00:06:59,199 --> 00:07:02,560
"Tạo một trang giới thiệu về tôi" cho một

147
00:07:02,560 --> 00:07:05,560
trang web. Tôi thích leo núi,

148
00:07:05,560 --> 00:07:07,919
thể thao ngoài trời và lập trình. Tôi bắt đầu

149
00:07:07,919 --> 00:07:09,840
sự nghiệp của mình với vai trò kỹ sư chất lượng trong

150
00:07:09,840 --> 00:07:13,360
ngành blah blah blah. Tôi cung cấp thông tin

151
00:07:13,360 --> 00:07:16,280
phiên bản như vậy về những gì tôi muốn trên website, và công cụ

152
00:07:16,280 --> 00:07:18,520
sẽ tạo ra nó cho

153
00:07:18,520 --> 00:07:20,160
tôi.

154
00:07:20,160 --> 00:07:23,360
Vậy, bạn thấy đấy, chúng ta đã đi từ Google

155
00:07:23,360 --> 00:07:24,840
dịch và Siri và tính năng

156
00:07:24,840 --> 00:07:26,479
hoàn thành tự động đến một thứ 

157
00:07:26,479 --> 00:07:28,840
phức tạp hơn rất nhiều và có thể làm được nhiều hơn nữa

158
00:07:28,840 --> 00:07:31,080


159
00:07:31,080 --> 00:07:34,680
Một sự thật thú vị nữa. Đây là biểu đồ

160
00:07:34,680 --> 00:07:40,879
cho thấy thời gian cần thiết để chat GPT

161
00:07:40,879 --> 00:07:44,400
đạt được 100 triệu người dùng so

162
00:07:44,400 --> 00:07:46,120
với các công cụ khác đã ra mắt

163
00:07:46,120 --> 00:07:49,039
trong quá khứ và bạn thấy Google dịch, công cụ mà chúng ta yêu thích 

164
00:07:49,039 --> 00:07:53,840
phải mất 78 tháng để

165
00:07:53,840 --> 00:07:58,280
đạt được 100 triệu người dùng. Một khoảng thời gian dài.

166
00:07:58,280 --> 00:08:02,680
Tik Tok chỉ mất 9 tháng và Chat GPT chỉ mất

167
00:08:02,680 --> 00:08:05,840
2 tháng. Chi trong vòng hai tháng, họ đã có 100

168
00:08:05,840 --> 00:08:10,759
triệu người dùng và những người dùng này trả một

169
00:08:10,759 --> 00:08:13,960
ít tiền để sử dụng hệ thống, bạn có thể

170
00:08:13,960 --> 00:08:15,599
nhân lên và tính xem họ kiếm được

171
00:08:15,599 --> 00:08:19,400
bao nhiêu tiền. Được rồi,

172
00:08:19,400 --> 00:08:25,039
đây là phần lịch sử. Vậy làm thế nào để 

173
00:08:25,039 --> 00:08:29,240
chúng ta tạo ra Chat GPT ?

174
00:08:29,240 --> 00:08:31,479
Công nghệ nào đứng sau nó ? Hóa ra, công nghệ này

175
00:08:31,479 --> 00:08:34,120
không phải quá mới hoặc

176
00:08:34,120 --> 00:08:36,440
cực kỳ sáng tạo hoặc cực kỳ

177
00:08:36,440 --> 00:08:37,519
khó hiểu

178
00:08:37,519 --> 00:08:39,839
Vậy nên, hôm nay chúng ta 

179
00:08:39,839 --> 00:08:41,159
sẽ nói về

180
00:08:41,159 --> 00:08:45,360
điều đó. Chúng ta sẽ giải quyết ba câu hỏi

181
00:08:45,360 --> 00:08:46,920
Trước hết là làm thế nào chúng ta chuyển từ các

182
00:08:46,920 --> 00:08:49,399
hệ thống chỉ có một mục đích đơn lẻ như Google

183
00:08:49,399 --> 00:08:51,880
Dịch sang Chat GPT,

184
00:08:51,880 --> 00:08:54,680
một công cụ tinh vi hơn và làm được nhiều việc hơn,

185
00:08:54,680 --> 00:08:56,640
cụ thể, 

186
00:08:56,640 --> 00:08:59,480
công nghệ cốt lõi đằng sau Chat GPT là gì và

187
00:08:59,480 --> 00:09:02,079
rủi ro nếu có là gì và cuối cùng tôi

188
00:09:02,079 --> 00:09:04,640
sẽ chỉ cho bạn thấy cái nhìn thoáng qua về

189
00:09:04,640 --> 00:09:06,760
tương lai, cách mà nó sẽ trông như thế nào

190
00:09:06,760 --> 00:09:08,720
và liệu chúng ta có nên lo lắng hay

191
00:09:08,720 --> 00:09:12,760
không và bạn biết đấy tôi sẽ không để bạn phải băn

192
00:09:12,760 --> 00:09:16,600
khoăn đâu đừng lo lắng, được

193
00:09:16,600 --> 00:09:18,959
chứ ? 

194
00:09:18,959 --> 00:09:22,959
Vậy tất cả các biến thể mô hình GPT này và

195
00:09:22,959 --> 00:09:24,880
có một ngành công nghiệp nhỏ đang nổi lên,

196
00:09:24,880 --> 00:09:27,760
tôi chỉ lấy GPT làm ví dụ

197
00:09:27,760 --> 00:09:30,079
công chúng đã biết đến nó

198
00:09:30,079 --> 00:09:32,440
và có rất nhiều 

199
00:09:32,440 --> 00:09:34,279
các bài báo về nó, nhưng còn có

200
00:09:34,279 --> 00:09:36,240
những mô hình khác, các biến thể khác của mô hình mà chúng ta

201
00:09:36,240 --> 00:09:39,519
sử dụng trong học thuật. Tất cả chúng đều hoạt động dựa trên

202
00:09:39,519 --> 00:09:41,519
cùng một nguyên tắc, và nguyên tắc này được

203
00:09:41,519 --> 00:09:44,160
gọi là mô hình hóa ngôn ngữ

204
00:09:44,160 --> 00:09:47,440
Mô hình hóa ngôn ngữ làm gì nó giả định rằng chúng ta có

205
00:09:47,440 --> 00:09:51,399
một chuỗi các từ ngữ. Đó là ngữ cảnh cho đến nay

206
00:09:51,399 --> 00:09:52,920
và chúng ta đã thấy điều này trong tính năng

207
00:09:52,920 --> 00:09:55,760
hoàn thành tự động. tôi có một ví dụ ở đây

208
00:09:55,760 --> 00:10:00,160
Giả sử ngữ cảnh của tôi là cụm từ "Tôi muốn".

209
00:10:00,160 --> 00:10:03,240
công cụ mô hình hóa ngôn ngữ sẽ

210
00:10:03,240 --> 00:10:06,440
dự đoán những gì xảy ra tiếp theo. Vì vậy nếu tôi nói

211
00:10:06,440 --> 00:10:09,320
"Tôi muốn" sẽ có một số dự đoán:"Tôi

212
00:10:09,320 --> 00:10:12,040
muốn xúc tuyết", "Tôi muốn chơi", "Tôi muốn

213
00:10:12,040 --> 00:10:14,880
bơi", "Tôi muốn ăn" và tùy thuộc vào những gì

214
00:10:14,880 --> 00:10:17,600
chúng ta chọn là "xúc tuyết" sẽ tiếp tục với "tuyết", 

215
00:10:17,600 --> 00:10:21,880
còn nhiều phần tiếp theo nữa. Vi vậy,

216
00:10:21,880 --> 00:10:25,240
đối với "xẻng" thì sẽ là "tuyết", "chơi" thì

217
00:10:25,240 --> 00:10:27,800
có thể tiếp tục với "tennis" hoặc "trò choi video", "bơi" không có phần tiếp theo và "ăn" 

218
00:10:27,800 --> 00:10:30,240
có thể tiếp tục với "nhiều thứ" hoặc 

219
00:10:30,240 --> 00:10:33,800
"trái cây". Đây là một ví dụ đơn giản nhưng hãy

220
00:10:33,800 --> 00:10:35,639
tưởng tượng bây giờ máy tính đã thấy

221
00:10:35,639 --> 00:10:40,480
rất nhiều văn bản và nó biết những từ nào

222
00:10:40,480 --> 00:10:42,399
theo sau

223
00:10:42,399 --> 00:10:46,720
những từ nào. Trước đây, chúng ta từng đếm các từ này. 

224
00:10:46,720 --> 00:10:49,519
Tôi sẽ tải xuống một lượng lớn dữ liệu

225
00:10:49,519 --> 00:10:52,160
và đếm xem cụm "Tôi muốn cho họ thấy" 

226
00:10:52,160 --> 00:10:54,160
xuất hiện bao nhiêu lần và 

227
00:10:54,160 --> 00:10:56,040
những lần tiếp theo là gì. chúng ta 

228
00:10:56,040 --> 00:10:58,040
Chúng ta đã từng lưu các con số đó. Nhưng giờ đây,

229
00:10:58,040 --> 00:11:00,760
mọi thứ đã thay đổi, 

230
00:11:00,760 --> 00:11:03,519
chúng ta sử dụng mạng nơ-ron không chỉ đơn thuần đếm 

231
00:11:03,519 --> 00:11:07,720
mà dự đoán, học hỏi 

232
00:11:07,720 --> 00:11:10,040
theo cách tinh vi hơn, và 

233
00:11:10,040 --> 00:11:12,079
tôi sẽ giải thích ngay.

234
00:11:12,079 --> 00:11:13,360
ChatGPT và 

235
00:11:13,360 --> 00:11:17,760
các biến thể GPT dựa trên các

236
00:11:17,760 --> 00:11:21,560
nguyên tắc này: Tôi có một ngữ cảnh,

237
00:11:21,560 --> 00:11:24,600
 tôi sẽ dự đoán điều gì sẽ xảy ra tiếp theo. 

238
00:11:24,600 --> 00:11:26,639
Và đó chính là prompt, phần yêu cầu mà tôi đã 

239
00:11:26,639 --> 00:11:29,800
cho bạn thấy. 

240
00:11:29,800 --> 00:11:32,399
Đây là ngữ cảnh,  và sau đó công cụ sẽ 

241
00:11:32,399 --> 00:11:35,680
thực hiện nhiệm vụ, điều gì sẽ xảy ra tiếp theo ? trong một số

242
00:11:35,680 --> 00:11:37,639
trường hợp, đó sẽ là  ba luận điểm.

243
00:11:37,639 --> 00:11:39,920
Trong trường hợp của lập trình viên web, đó

244
00:11:39,920 --> 00:11:41,320
sẽ là một

245
00:11:41,320 --> 00:11:45,440
trang web. Tóm lại nhiệm vụ của mô hình hóa ngôn ngữ

246
00:11:45,440 --> 00:11:47,519
là có ngữ cảnh.

247
00:11:47,519 --> 00:11:49,200
và đây là một ví dụ khác: 

248
00:11:49,200 --> 00:11:53,160
"Màu sắc của bầu trời là". Chúng ta có 

249
00:11:53,160 --> 00:11:56,760
một mô hình ngôn ngữ nơ-ron,

250
00:11:56,760 --> 00:12:00,320
thực chất chỉ là một thuật toán, 

251
00:12:00,320 --> 00:12:03,279
nó sẽ dự đoán phần tiếp theo có 

252
00:12:03,279 --> 00:12:06,160
khả năng xảy ra nhất. Khả năng xảy ra rất quan trọng. 

253
00:12:06,160 --> 00:12:09,160
Tất cả các dự đoán dựa trên việc đoán

254
00:12:09,160 --> 00:12:11,959
điều gì sẽ xảy ra tiếp theo. 

255
00:12:11,959 --> 00:12:13,519
Và đó là lý do đôi khi chúng thất bại, vì 

256
00:12:13,519 --> 00:12:15,519
chúng dự đoán câu trả lời có khả năng cao nhất

257
00:12:15,519 --> 00:12:18,279
trong khi bạn muốn một câu trả lời ít có khả năng xảy ra hơn nhưng

258
00:12:18,279 --> 00:12:19,880
đây là cách chúng được huấn luyện để

259
00:12:19,880 --> 00:12:24,120
đưa ra những câu trả lời có khả năng là cao nhất, vì vậy

260
00:12:24,120 --> 00:12:25,920
chúng ta không đếm các từ nữa, mà cố gắng 

261
00:12:25,920 --> 00:12:29,959
dự đoán chúng bằng mô hình ngôn ngữ này.

262
00:12:29,959 --> 00:12:33,760
Vậy làm thế nào để bạn tự xây dựng một mô hình ngôn ngữ? 

263
00:12:33,760 --> 00:12:36,160
Đây là công thức, cách mà mọi người thực hiện:

264
00:12:36,160 --> 00:12:40,000
Bước 1: Chúng ta cần rất nhiều dữ liệu. 

265
00:12:40,000 --> 00:12:43,040
Cần thu thập một tập dữ liệu khổng lồ.

266
00:12:43,040 --> 00:12:46,360
Vậy chúng ta tìm đâu ra 

267
00:12:46,360 --> 00:12:48,959
một tập dữ liệu khổng lồ như vậy?

268
00:12:48,959 --> 00:12:52,360
Ý tôi là, chúng ta tìm trên web, đúng không? 

269
00:12:52,360 --> 00:12:55,800
Chúng ta tải xuống toàn bộ Wikipedia,

270
00:12:55,800 --> 00:12:59,399
các trang Stack Overflow, Quora, 

271
00:12:59,399 --> 00:13:02,160
mạng xã hội, GitHub, Reddit, bất kỳ thứ gì bạn 

272
00:13:02,160 --> 00:13:03,880
có thể tìm được trên đó

273
00:13:03,880 --> 00:13:06,240
Tất nhiên, bạn cần giải quyết các vấn đề về quyền sử dụng dữ liệu, phải hợp pháp. 

274
00:13:06,240 --> 00:13:08,079
Bạn tải xuống toàn bộ tập dữ liệu này.

275
00:13:08,079 --> 00:13:10,680
Vậy sau đó bạn làm gì? Sau đó, bạn 

276
00:13:10,680 --> 00:13:12,360
có mô hình ngôn ngữ này. Tôi chưa 

277
00:13:12,360 --> 00:13:14,120
giải thích chính xác mô hình 

278
00:13:14,120 --> 00:13:15,959
ngôn ngữ này là gì, và cũng chưa nói 

279
00:13:15,959 --> 00:13:17,519
về mạng nơ-ron thực hiện 

280
00:13:17,519 --> 00:13:20,639
dự đoán, nhưng giả sử bạn đã có nó.

281
00:13:20,639 --> 00:13:23,199
Vậy bạn có một cơ chế

282
00:13:23,199 --> 00:13:25,920
học tập, và nhiệm vụ giờ đây 

283
00:13:25,920 --> 00:13:28,920
là dự đoán từ tiếp theo.

284
00:13:28,920 --> 00:13:32,040
Nhưng làm thế nào để chúng ta làm điều đó? 

285
00:13:32,040 --> 00:13:36,079
Đây chính là phần sáng tạo.

286
00:13:36,079 --> 00:13:38,720
Chúng ta có các câu trong tập dữ liệu. Chúng ta có thể xóa một số từ

287
00:13:38,720 --> 00:13:41,040
trong các câu đó và yêu cầu mô hình ngôn ngữ dự đoán 

288
00:13:41,040 --> 00:13:45,199
các từ mà chúng ta đã xóa.

289
00:13:45,199 --> 00:13:48,440
Cách này rất rẻ tiền. Tôi chỉ cần xóa chúng đi, 

290
00:13:48,440 --> 00:13:50,639
giả vờ như chúng không có, và để mô hình ngôn ngữ 

291
00:13:50,639 --> 00:13:54,360
dự đoán chúng. Tôi sẽ 

292
00:13:54,360 --> 00:13:57,240
ngẫu nhiên cắt ngắn, "truncate" nghĩa là xóa bớt, 

293
00:13:57,240 --> 00:13:59,600
phần cuối của câu đầu vào.

294
00:13:59,600 --> 00:14:01,720
Sau đó, tôi sẽ sử dụng mạng nơ-ron 

295
00:14:01,720 --> 00:14:04,560
để tính xác suất của các từ bị thiếu. Nếu dự đoán 

296
00:14:04,560 --> 00:14:06,440
đúng, thì tốt. Nếu không đúng, tôi cần 

297
00:14:06,440 --> 00:14:08,600
quay lại và điều chỉnh một số điều

298
00:14:08,600 --> 00:14:10,240
vì rõ ràng tôi đã mắc sai lầm, 

299
00:14:10,240 --> 00:14:12,959
và tôi tiếp tục lặp lại. Tôi sẽ điều chỉnh 

300
00:14:12,959 --> 00:14:14,880
và đưa phản hồi vào mô hình,

301
00:14:14,880 --> 00:14:16,920
sau đó so sánh kết quả mà mô hình dự đoán với 

302
00:14:16,920 --> 00:14:18,639
"ground truth" (thực tế) 

303
00:14:18,639 --> 00:14:20,199
vì tôi đã 

304
00:14:20,199 --> 00:14:23,000
biết trước đáp án thực.

305
00:14:23,000 --> 00:14:27,320
Chúng ta cứ tiếp tục quá trình này trong vài tháng, 

306
00:14:27,320 --> 00:14:30,639
hoặc có thể vài năm. Không, chỉ vài tháng thôi.

307
00:14:30,639 --> 00:14:32,480
Quá trình này mất thời gian vì, 

308
00:14:32,480 --> 00:14:34,120
như bạn có thể hình dung, tôi có một 

309
00:14:34,120 --> 00:14:35,880
tập dữ liệu rất lớn với rất nhiều câu,

310
00:14:35,880 --> 00:14:37,480
và tôi cần thực hiện 

311
00:14:37,480 --> 00:14:40,199
dự đoán, sau đó quay lại sửa sai, 

312
00:14:40,199 --> 00:14:43,240
và cứ thế. Nhưng cuối cùng

313
00:14:43,240 --> 00:14:45,639
mô hình sẽ hội tụ và tôi sẽ có kết quả.

314
00:14:45,639 --> 00:14:47,240
Công cụ tôi vừa nhắc đến, 

315
00:14:47,240 --> 00:14:50,199
công cụ này chính là 

316
00:14:50,199 --> 00:14:53,440
mô hình ngôn ngữ. 

317
00:14:53,440 --> 00:14:56,440
Một mô hình ngôn ngữ đơn giản 

318
00:14:56,440 --> 00:15:00,000
trông như thế này. Có thể 

319
00:15:00,000 --> 00:15:02,320
khán giả đã từng thấy những mô hình này, 

320
00:15:02,320 --> 00:15:05,160
đây là một đồ thị đơn giản,

321
00:15:05,160 --> 00:15:08,440
nhưng nó giúp minh họa cách thức hoạt động.

322
00:15:08,440 --> 00:15:10,600
Mạng nơ-ron mô hình ngôn ngữ này 

323
00:15:10,600 --> 00:15:14,320
sẽ có vài đầu vào

324
00:15:14,320 --> 00:15:17,519
các nút tròn, 

325
00:15:17,519 --> 00:15:21,240
vâng bên phải của tôi và của bạn, ok

326
00:15:21,240 --> 00:15:24,720
ở bên phải là đầu vào,

327
00:15:24,720 --> 00:15:28,360
và các nút tròn bên trái là đầu ra.

328
00:15:28,360 --> 00:15:31,160
Chúng ta đưa vào 

329
00:15:31,160 --> 00:15:33,000
năm đầu vào,

330
00:15:33,000 --> 00:15:36,880
năm vòng tròn, 

331
00:15:36,880 --> 00:15:39,800
và có ba đầu ra, ba vòng tròn.

332
00:15:39,800 --> 00:15:41,959
Và có những thứ ở giữa mà tôi 

333
00:15:41,959 --> 00:15:44,680
không nói gì cả. Đây là 

334
00:15:44,680 --> 00:15:47,680
các lớp (layers). Đây là những nút khác 

335
00:15:47,680 --> 00:15:51,360
được cho là trừu tượng hóa dữ liệu đầu vào của tôi.

336
00:15:51,360 --> 00:15:54,759
Vì vậy, họ khái quát hóa. Ý tưởng là nếu tôi đặt 

337
00:15:54,759 --> 00:15:58,399
nhiều lớp hơn

338
00:15:58,399 --> 00:16:00,600
các lớp giữa sẽ tổng quát hóa đầu vào 

339
00:16:00,600 --> 00:16:03,000
và nhận ra các mẫu mà ban đầu 

340
00:16:03,000 --> 00:16:05,880
không rõ ràng.

341
00:16:05,880 --> 00:16:07,399
Đầu vào cho các nút này 

342
00:16:07,399 --> 00:16:10,399
không phải là từ, mà là vector - chuỗi số, 

343
00:16:10,399 --> 00:16:13,279
nhưng hãy tạm quên điều đó. 

344
00:16:13,279 --> 00:16:15,480
Vậy chúng ta có đầu vào, các lớp giữa, 

345
00:16:15,480 --> 00:16:17,880
và đầu ra. Các kết nối 

346
00:16:17,880 --> 00:16:20,880
giữa các nút được gọi 

347
00:16:20,880 --> 00:16:23,240
là trọng số (weights),

348
00:16:23,240 --> 00:16:26,480
chính trọng số này là thứ mà mạng học được.

349
00:16:26,480 --> 00:16:29,240
 Các trọng số thực chất là các con số.

350
00:16:29,240 --> 00:16:31,880
và ở đây tất cả đều được kết nối đầy đủ, vì vậy tôi có rất nhiều

351
00:16:31,880 --> 00:16:34,880
kết nối. Tại sao tôi lại thực hiện 

352
00:16:34,880 --> 00:16:36,800
quá trình này để thực sự nói với bạn tất cả 

353
00:16:36,800 --> 00:16:40,720
những điều đó? Bạn sẽ thấy trong một phút. Vì vậy, bạn có thể 

354
00:16:40,720 --> 00:16:44,839
tính toán được

355
00:16:44,839 --> 00:16:48,360
mạng nơ-ron này lớn hay nhỏ tùy thuộc vào

356
00:16:48,360 --> 00:16:51,800
số lượng kết nối mà nó có. Vì vậy đối với

357
00:16:51,800 --> 00:16:54,800
mạng nơ-ron đơn giản này, tôi 

358
00:16:54,800 --> 00:16:58,880
đã tính được số lượng trọng số 

359
00:16:58,880 --> 00:17:01,399
Chúng tôi gọi là tham số, 

360
00:17:01,399 --> 00:17:03,800
mà mạng cần học.

361
00:17:03,800 --> 00:17:07,240
Vì vậy, các tham số là 

362
00:17:07,240 --> 00:17:10,359
số lượng đơn vị đầu vào, trong trường hợp này 

363
00:17:10,359 --> 00:17:14,760
là 5, nhân với số đơn vị ở 

364
00:17:14,760 --> 00:17:18,559
lớp tiếp theo, là 8. Cộng với 8, 

365
00:17:18,559 --> 00:17:22,119
kết quả này cộng với 8 là độ lệch,

366
00:17:22,119 --> 00:17:24,480
đó là một điều gian lận mà các mạng nơ-ron này có. Một lần nữa, 

367
00:17:24,480 --> 00:17:27,119
bạn cần phải học nó

368
00:17:27,119 --> 00:17:28,960
và nó sẽ sửa một chút cho mạng nơ-ron nếu nó bị tắt. 

369
00:17:28,960 --> 00:17:30,440
Nó thực sự là thiên tài. 

370
00:17:30,440 --> 00:17:32,600
Nếu dự đoán không đúng,

371
00:17:32,600 --> 00:17:34,520
Nó cố gắng điều chỉnh một chút để sửa lỗi. Vì vậy, cho 

372
00:17:34,520 --> 00:17:36,799
mục đích của buổi nói chuyện này, tôi sẽ không đi sâu vào chi tiết,

373
00:17:36,799 --> 00:17:38,799
đi sâu vào  chi tiết, tất cả những gì tôi muốn bạn

374
00:17:38,799 --> 00:17:40,840
thấy là có một cách để tính

375
00:17:40,840 --> 00:17:43,080
ra các tham số, cơ bản là

376
00:17:43,080 --> 00:17:46,760
số lượng đơn vị đầu vào nhân với số

377
00:17:46,760 --> 00:17:49,919
đơn vị mà đầu vào đang kết nối tới.

378
00:17:49,919 --> 00:17:52,720
Với mạng nơ-ron được kết nối đầy đủ này,

379
00:17:52,720 --> 00:17:56,840
nếu chúng ta cộng tất cả lại, ta sẽ có 

380
00:17:56,840 --> 00:18:00,000
99 tham số có thể huấn luyện.

381
00:18:00,000 --> 00:18:02,679
Đây là một mạng nhỏ, phải không? Nhưng tôi muốn bạn 

382
00:18:02,679 --> 00:18:04,919
nhớ rằng, mạng nhỏ này có 99 tham số.

383
00:18:04,919 --> 00:18:08,280
Khi bạn nghe về mạng có 

384
00:18:08,280 --> 00:18:10,720
một tỷ tham số, 

385
00:18:10,720 --> 00:18:15,120
hãy hình dung kích thước khổng lồ của nó.

386
00:18:15,120 --> 00:18:18,200
Vậy là chỉ có 99 cho mạng nơ-ron đơn giản này. 

387
00:18:18,200 --> 00:18:21,440
Và đây là cách chúng ta đánh giá mô hình lớn như thế nào,

388
00:18:21,440 --> 00:18:24,720
mất bao lâu và tốn bao nhiêu, 

389
00:18:24,720 --> 00:18:26,360
đó là số lượng

390
00:18:26,360 --> 00:18:29,480
tham số. Trong thực tế

391
00:18:29,480 --> 00:18:32,440
không ai sử dụng mạng nhỏ này. 

392
00:18:32,440 --> 00:18:35,039
Đây chỉ là ví dụ cho sinh viên 

393
00:18:35,039 --> 00:18:36,760
năm nhất học đại học.

394
00:18:36,760 --> 00:18:38,600
Thực tế, chúng ta 

395
00:18:38,600 --> 00:18:41,440
sử dụng những 

396
00:18:41,440 --> 00:18:45,000
mô hình khổng lồ, 

397
00:18:45,000 --> 00:18:48,960
gồm nhiều khối. Và khối này có nghĩa là chúng được 

398
00:18:48,960 --> 00:18:53,520
tạo thành từ các mạng nơ-ron khác. Vì vậy, tôi 

399
00:18:53,520 --> 00:18:55,919
không biết có bao nhiêu người đã nghe về 

400
00:18:55,919 --> 00:18:59,919
Bộ chuyển đổi. Tôi hy vọng là chưa.

401
00:18:59,919 --> 00:19:03,240
Oh wo, ok. Bộ chuyển đổi là các mạng nơ-ron được dùng 

402
00:19:03,240 --> 00:19:06,640
để xây dựng ChatGPT. 

403
00:19:06,640 --> 00:19:11,080
Trên thực tế GPT là viết tắt của "generative pre-trained transformers" 

404
00:19:11,080 --> 00:19:13,600
(transformers  cũng được có ngày trong tiêu đề).

405
00:19:13,600 --> 00:19:17,600
Đây là bản phác thảo của một transformer. 

406
00:19:17,600 --> 00:19:21,320
Bạn có đầu vào

407
00:19:21,320 --> 00:19:23,799
và đầu vào không phải là từ, 

408
00:19:23,799 --> 00:19:26,640
như tôi đã nói, nó là vector (embeddings).

409
00:19:26,640 --> 00:19:30,000
Và sau đó bạn sẽ có nó, 

410
00:19:30,000 --> 00:19:33,760
một phiên bản lớn hơn của mạng kết nối.

411
00:19:33,760 --> 00:19:35,720


412
00:19:35,720 --> 00:19:39,480
Các vector này được đưa qua nhiều khối (blocks), 

413
00:19:39,480 --> 00:19:42,679
và mỗi khối là một hệ thống phức tạp 

414
00:19:42,679 --> 00:19:46,559
chứa mạng nơ-ron bên trong. Chúng ta 

415
00:19:46,559 --> 00:19:48,320
sẽ không đi vào chi tiết, tôi không muốn,

416
00:19:48,320 --> 00:19:51,480
xin đừng đi, tất cả những gì tôi đang 

417
00:19:51,480 --> 00:19:55,159
cố gắng, (khán giả cười) tất cả những gì tôi đang cố gắng nói là, bạn biết đấy,

418
00:19:55,159 --> 00:19:59,159
chúng ta có những khối này xếp chồng 

419
00:19:59,159 --> 00:20:01,159
lên nhau, Transformer có 

420
00:20:01,159 --> 00:20:03,360
tám khối như vậy, là những mạng nơ-ron mini, 

421
00:20:03,360 --> 00:20:06,840
và nhiệm vụ này vẫn giữ nguyên. 

422
00:20:06,840 --> 00:20:08,320
Đó là những gì tôi muốn bạn rút ra từ đây.

423
00:20:08,320 --> 00:20:10,559
Nhiệm vụ vẫn không thay đổi: đầu vào là ngữ cảnh, ví dụ 

424
00:20:10,559 --> 00:20:12,760
"con gà bước đi," sau đó thực hiện 

425
00:20:12,760 --> 00:20:15,960
xử lý để dự đoán phần tiếp theo

426
00:20:15,960 --> 00:20:18,120
ví dụ "qua đường". 

427
00:20:18,120 --> 00:20:21,640
Và EOS (end of sentence) 

428
00:20:21,640 --> 00:20:22,880
được dùng để 

429
00:20:22,880 --> 00:20:24,600
đánh dấu kết thúc câu, giúp mạng nơ-ron nhận biết điểm dừng.

430
00:20:24,600 --> 00:20:26,240
Ý tôi là, chúng khá "ngốc," đúng không? 

431
00:20:26,240 --> 00:20:28,280
Chúng ta cần chỉ rõ mọi thứ cho chúng. Khi tôi nghe rằng AI 

432
00:20:28,280 --> 00:20:30,200
sẽ chiếm lĩnh thế giới, tôi chỉ nghĩ,

433
00:20:30,200 --> 00:20:33,520
"Thật sao? Chúng ta thậm chí còn phải 

434
00:20:33,520 --> 00:20:37,919
viết ra từng chi tiết". Đây chính là transformer (bộ chuyển đổi), 

435
00:20:37,919 --> 00:20:39,600
vua của các kiến trúc mô hình. 

436
00:20:39,600 --> 00:20:41,240
Transformers ra đời 

437
00:20:41,240 --> 00:20:43,600
năm 2017. Hiện tại không ai làm việc trên 

438
00:20:43,600 --> 00:20:46,280
các kiến ​​trúc mới nữa. Thật đáng tiếc,  

439
00:20:46,280 --> 00:20:48,080
trước đây mọi người 

440
00:20:48,080 --> 00:20:50,240
sử dụng nhiều chúng, nhưng

441
00:20:50,240 --> 00:20:52,480
giờ thì không, tất cả mọi người đều sử dụng Transformers, 

442
00:20:52,480 --> 00:20:55,799
chúng ta đã quyết định rằng chúng rất tuyệt.

443
00:20:55,799 --> 00:20:58,240
Được rồi, vậy chúng ta sẽ làm gì với chúng? 

444
00:20:58,240 --> 00:20:59,960
Điều quan trọng và 

445
00:20:59,960 --> 00:21:02,240
tuyệt vời là chúng ta sẽ thực hiện 

446
00:21:02,240 --> 00:21:04,039
học tự giám sát (self-supervised learning).

447
00:21:04,039 --> 00:21:06,360
Đây chính là điều tôi đã nói: chúng ta có câu, cắt bớt, 

448
00:21:06,360 --> 00:21:09,919
dự đoán, và tiếp tục cho đến khi 

449
00:21:09,919 --> 00:21:11,640
chúng ta học được 

450
00:21:11,640 --> 00:21:15,960
các xác suất. Hiểu kịp không? 

451
00:21:15,960 --> 00:21:20,320
Tốt, được rồi. Khi chúng ta có 

452
00:21:20,320 --> 00:21:23,720
transformer và đã cung cấp cho nó tất cả 

453
00:21:23,720 --> 00:21:26,600
dữ liệu mà thế giới có,

454
00:21:26,600 --> 00:21:29,520
chúng ta sẽ có một mô hình huấn luyện trước (pre-trained model). Đó là lý do tại sao GPT 

455
00:21:29,520 --> 00:21:32,000
được gọi là transformer tạo sinh, được huấn luyện sẵn (generative pre-trained transformer).

456
00:21:32,000 --> 00:21:34,919
Đây là một mô hình cơ bản đã được đào tạo 

457
00:21:34,919 --> 00:21:37,400
từ rất nhiều nguồn dữ liệu 

458
00:21:37,400 --> 00:21:39,840
của thế giới.

459
00:21:39,840 --> 00:21:42,600
Sau đó, chúng ta thường làm gì? Chúng ta  

460
00:21:42,600 --> 00:21:44,440
có mô hình mục đích chung này và

461
00:21:44,440 --> 00:21:47,400
cần chuyên biệt hóa nó cho một nhiệm vụ cụ thể. 

462
00:21:47,400 --> 00:21:49,760
Đây là điều gọi là fine-tuning 

463
00:21:49,760 --> 00:21:52,080
(tinh chỉnh). Điều này có nghĩa là mạng nơ-ron 

464
00:21:52,080 --> 00:21:53,679
đã có một số 

465
00:21:53,679 --> 00:21:57,279
trọng số, và chúng ta cần chuyên biệt hóa 

466
00:21:57,279 --> 00:21:59,240
mạng này. Chúng ta sẽ khởi tạo 

467
00:21:59,240 --> 00:22:00,919
trọng số dựa trên những gì đã học được từ 

468
00:22:00,919 --> 00:22:03,000
quá trình huấn luyện trước, và sau đó, đối với nhiệm vụ cụ thể, chúng ta sẽ 

469
00:22:03,000 --> 00:22:05,919
điều chỉnh một tập trọng số mới. 

470
00:22:05,919 --> 00:22:09,679
Ví dụ, nếu tôi có dữ liệu y tế, tôi sẽ

471
00:22:09,679 --> 00:22:12,679
lấy mô hình huấn luyện trước (pre-trained model), chuyên biệt hóa nó 

472
00:22:12,679 --> 00:22:15,000
với dữ liệu y tế này, và sau đó tôi 

473
00:22:15,000 --> 00:22:17,880
có thể thực hiện các 

474
00:22:17,880 --> 00:22:20,400
nhiệm vụ cụ thể, chẳng hạn như viết một 

475
00:22:20,400 --> 00:22:23,600
chẩn đoán từ một báo cáo.

476
00:22:23,600 --> 00:22:27,360
Khái niệm tinh chỉnh này rất quan trọng 

477
00:22:27,360 --> 00:22:29,919
vì nó cho phép chúng ta ứng dụng mục đích đặc biệt từ 

478
00:22:29,919 --> 00:22:32,279
các mô hình 

479
00:22:32,279 --> 00:22:34,000
huấn luyện chung.

480
00:22:34,000 --> 00:22:37,039
Bây giờ, mọi người nghĩ rằng GPT và 

481
00:22:37,039 --> 00:22:38,559
các mô hình tương tự là công cụ mục đích chung,

482
00:22:38,559 --> 00:22:41,880
mục đích chung nhưng thực tế, chúng được tinh chỉnh để trở thành 

483
00:22:41,880 --> 00:22:44,159
mục đích chung, và chúng ta sẽ thấy cách thức 

484
00:22:44,159 --> 00:22:49,320
của nó như thế nào. Câu hỏi bây giờ là: chúng ta 

485
00:22:49,320 --> 00:22:52,039
có công nghệ cơ bản để thực hiện  

486
00:22:52,039 --> 00:22:54,120
huấn luyện trước. Và tôi đã nói cho bạn cách làm, 

487
00:22:54,120 --> 00:22:57,039
nếu bạn tải xuống toàn bộ web.  

488
00:22:57,039 --> 00:22:59,720
Mô hình ngôn ngữ có thể tốt đến mức nào?

489
00:22:59,720 --> 00:23:02,120
Làm thế nào để nó trở nên tuyệt vời? 

490
00:23:02,120 --> 00:23:06,400
Bởi vì khi GPT-1 và GPT-2 ra mắt, 

491
00:23:06,400 --> 00:23:08,679
chúng không thực sự ấn tượng. 

492
00:23:08,679 --> 00:23:12,039
Vậy nên, càng lớn càng tốt.

493
00:23:12,039 --> 00:23:14,919
Quy mô là yếu tố quan trọng, 

494
00:23:14,919 --> 00:23:17,720
dù điều này không hay lắm, vì trước đây 

495
00:23:17,720 --> 00:23:19,240
bạn biết đấy, mọi người không tin vào quy mô

496
00:23:19,240 --> 00:23:21,520
và bây giờ  chúng ta thấy rằng quy mô rất

497
00:23:21,520 --> 00:23:24,120
quan trọng vì vậy kể từ

498
00:23:24,120 --> 00:23:29,159
năm 2018, chúng ta đã chứng kiến ​​sự

499
00:23:29,159 --> 00:23:33,400
gia tăng cực độ về

500
00:23:33,400 --> 00:23:36,080
kích thước mô hình và tôi có một số biểu đồ để minh họa cho

501
00:23:36,080 --> 00:23:38,559
điều này. Ok, tôi hi vọng những người ngồi phía sau 

502
00:23:38,559 --> 00:23:40,080
có thể nhìn thấy đồ thị này. Vâng, bạn đã ổn thôi. 

503
00:23:40,080 --> 00:23:41,760


504
00:23:41,760 --> 00:23:46,159
Đây là biểu đồ cho thấy 

505
00:23:46,159 --> 00:23:48,960
số lượng tham số. Nhớ rằng, mạng nơ-ron đơn giản 

506
00:23:48,960 --> 00:23:52,360
có 99 tham số.
Biểu đồ này cho thấy số lượng tham số 

507
00:23:52,360 --> 00:23:56,039
mà các mô hình này có. Chúng ta bắt đầu với 

508
00:23:56,039 --> 00:23:59,320
một số lượng "bình thường". 

509
00:23:59,320 --> 00:24:00,799
Vâng, đối với GPT-1 và tăng dần đến 

510
00:24:00,799 --> 00:24:06,840
GPT-4, có một 

511
00:24:06,840 --> 00:24:08,600
nghìn tỷ tham số 

512
00:24:08,600 --> 00:24:11,520
(1 trillion). Đây là một

513
00:24:11,520 --> 00:24:14,520
mô hình rất rất lớn và bạn có thể thấy ở đây so sánh với

514
00:24:14,520 --> 00:24:17,679
não kiến, não chuột và bộ 

515
00:24:17,679 --> 00:24:22,279
não người.

516
00:24:22,279 --> 00:24:26,799
Bộ não con người có 100 nghìn tỷ 

517
00:24:26,799 --> 00:24:30,840
tham số (100 trillion). Vậy chúng ta vẫn còn cách xa mức độ 

518
00:24:30,840 --> 00:24:32,720
của bộ não con người, và 

519
00:24:32,720 --> 00:24:35,120
có lẽ chúng ta sẽ không bao giờ đạt đến được và chúng ta không thể

520
00:24:35,120 --> 00:24:37,120
so sánh GPT với não con người.

521
00:24:37,120 --> 00:24:40,279
Tôi chỉ muốn minh họa kích thước

522
00:24:40,279 --> 00:24:43,440
mô hình này lớn đến mức nào

523
00:24:43,440 --> 00:24:46,440
Còn số lượng từ mà mô hình đã "thấy" thì sao? 

524
00:24:46,440 --> 00:24:48,880
Biểu đồ này cho thấy số lượng từ

525
00:24:48,880 --> 00:24:50,799
các mô hình ngôn ngữ này đã xử lý

526
00:24:50,799 --> 00:24:53,399
trong quá trình huấn luyện. Bạn sẽ thấy

527
00:24:53,399 --> 00:24:56,520
rằng số lượng này

528
00:24:56,520 --> 00:25:00,000
tăng lớn lên nhưng không tăng nhanh bằng 

529
00:25:00,000 --> 00:25:03,480
số lượng tham số. Cộng đồng

530
00:25:03,480 --> 00:25:06,360
tập trung vào kích thước tham số của

531
00:25:06,360 --> 00:25:09,200
các mô hình này, nhưng trong thực tế là chúng ta hiện biết rằng

532
00:25:09,200 --> 00:25:12,360
chúng cần phải xử lý một lượng văn bản rất lớn. 

533
00:25:12,360 --> 00:25:15,000
GPT-4 đã xử lý 

534
00:25:15,000 --> 00:25:18,360
khoảng vài tỷ từ.

535
00:25:18,360 --> 00:25:22,159
Tôi không biết, vài tỷ từ. 

536
00:25:22,159 --> 00:25:26,159
Tôi nghĩ tất cả các văn bản do con người viết ra là 100 tỷ,

537
00:25:26,159 --> 00:25:28,440
nên nó đang tiến gần mức đó. 

538
00:25:28,440 --> 00:25:31,399
Nếu so sánh với số lượng từ mà một người đọc

539
00:25:31,399 --> 00:25:34,399
trong suốt cuộc đời của họ, nó ít hơn nhiều

540
00:25:34,399 --> 00:25:35,840
ngay cả khi họ đọc bạn biết đấy bởi vì

541
00:25:35,840 --> 00:25:38,200
mọi người ngày nay,  bạn biết đấy, họ đọc nhưng

542
00:25:38,200 --> 00:25:39,520
họ không đọc tiểu thuyết, họ đọc

543
00:25:39,520 --> 00:25:42,039
điện thoại, dù sao thì, bạn thấy Wikipedia tiếng Anh

544
00:25:42,039 --> 00:25:44,880
vậy là chúng ta đang dần đạt đến

545
00:25:44,880 --> 00:25:47,919
giới hạn về lượng văn bản có sẵn mà 

546
00:25:47,919 --> 00:25:50,960
chúng ta có thể có được và trên thực tế người ta có thể nói rằng

547
00:25:50,960 --> 00:25:53,080
GPT thật tuyệt vời, bạn  thực sự có thể sử dụng nó để

548
00:25:53,080 --> 00:25:54,919
tạo ra nhiều văn bản hơn và sau đó sử dụng

549
00:25:54,919 --> 00:25:56,880
văn bản mà GPT đã tạo ra để

550
00:25:56,880 --> 00:25:59,120
huấn luyện lại mô hình. Nhưng chúng ta biết rằng văn bản do GPT tạo ra

551
00:25:59,120 --> 00:26:01,640
là không hoàn toàn chính xác 

552
00:26:01,640 --> 00:26:03,520
và sẽ dẫn đến hiệu suất giảm dần,

553
00:26:03,520 --> 00:26:05,440
nên tại một thời điểm 

554
00:26:05,440 --> 00:26:09,840
nào đó, chúng ta sẽ chạm đến ngưỡng giới hạn.

555
00:26:09,840 --> 00:26:12,039
Vậy chi phí để làm điều này là bao nhiêu?

556
00:26:12,039 --> 00:26:19,360
Được rồi, chi phí để huấn luyện GPT-4 

557
00:26:19,640 --> 00:26:22,520
là 100 triệu USD ? 

558
00:26:22,520 --> 00:26:25,520
Vậy khi nào họ nên bắt đầu làm lại? 

559
00:26:25,520 --> 00:26:27,840
Rõ ràng đây không phải là một quy trình bạn có thể 

560
00:26:27,840 --> 00:26:29,760
lặp đi lặp lại nhiều lần.

561
00:26:29,760 --> 00:26:31,720
Bạn cần phải rất cẩn thận, vì nếu mắc 

562
00:26:31,720 --> 00:26:36,720
sai lầm, bạn có thể mất đến 

563
00:26:36,720 --> 00:26:40,159
50 triệu USD. Bạn không thể bắt đầu lại từ đầu, 

564
00:26:40,159 --> 00:26:42,000
vì vậy việc lập kế hoạch huấn luyện 

565
00:26:42,000 --> 00:26:45,360
phải được thực hiện cực kỳ tinh vi,

566
00:26:45,360 --> 00:26:47,960
vì sai lầm sẽ rất tốn kém. Và tất nhiên, 

567
00:26:47,960 --> 00:26:49,679
không phải ai cũng có thể làm điều này. Không phải ai cũng có 

568
00:26:49,679 --> 00:26:53,080
100 triệu USD. Họ làm được điều đó vì 

569
00:26:53,080 --> 00:26:56,360
có Microsoft hậu thuẫn, chứ không phải ai cũng có khả năng này.

570
00:26:56,360 --> 00:26:59,159
Giờ thì, đây là một video 

571
00:26:59,159 --> 00:27:01,640
minh họa ảnh hưởng của việc mở rộng mô hình, hãy xem thử.

572
00:27:01,640 --> 00:27:04,120
tác động của việc mở rộng quy mô 

573
00:27:04,120 --> 00:27:07,720
xem liệu nó có hiệu quả không. Vậy nên tôi sẽ chơi thêm một lần nữa.

574
00:27:07,720 --> 00:27:08,440
Vì vậy, 

575
00:27:08,440 --> 00:27:12,080
đây là những nhiệm vụ bạn có thể thực hiện 

576
00:27:12,080 --> 00:27:16,320
và số lượng nhiệm vụ 

577
00:27:16,320 --> 00:27:18,760
so với số lượng tham số. Chúng ta bắt đầu 

578
00:27:18,760 --> 00:27:20,799
với 8 tỷ tham số và 

579
00:27:20,799 --> 00:27:22,080
mô hình chỉ có thể thực hiện 

580
00:27:22,080 --> 00:27:26,520
một số nhiệm vụ cơ bản. Sau đó, khi số tham số tăng lên

581
00:27:26,520 --> 00:27:28,840
các nhiệm vụ cũng tăng, 

582
00:27:28,840 --> 00:27:32,360
ví dụ: tóm tắt văn bản, trả lời câu hỏi, dịch thuật. 

583
00:27:32,360 --> 00:27:35,600
Với 540 tỷ tham số, chúng ta có thêm nhiều nhiệm vụ phức tạp hơn, như hoàn thành mã lệnh,

584
00:27:35,600 --> 00:27:38,480
nhiệm vụ hơn, chúng ta bắt đầu 

585
00:27:38,480 --> 00:27:41,559
với những nhiệm vụ rất đơn giản và

586
00:27:41,559 --> 00:27:45,000
sau đó chúng ta có thêm nhiều nhiệm vụ phức tạp hơn, như hoàn thành mã lệnh,

587
00:27:45,000 --> 00:27:46,799
Và sau đó chúng ta có thể đọc hiểu, hiểu ngôn ngữ, 

588
00:27:46,799 --> 00:27:48,919
và dịch thuật. Vì vậy, bạn hiểu ý tôi chứ, 

589
00:27:48,919 --> 00:27:52,200
cây nhiệm vụ này càng ngày càng phát triển mạnh mẽ hơn 

590
00:27:52,200 --> 00:27:54,279
khi mô hình mở rộng. 

591
00:27:54,279 --> 00:27:56,120
Và đây chính là điều mà mọi người phát hiện ra

592
00:27:56,120 --> 00:27:58,720
khi bạn mở rộng mô hình ngôn ngữ, bạn có thể làm được nhiều nhiệm vụ hơn.

593
00:27:58,720 --> 00:28:00,640
Ok,

594
00:28:00,640 --> 00:28:03,640
và bây giờ

595
00:28:03,679 --> 00:28:06,480
Có lẽ chúng ta đã xong. 

596
00:28:06,480 --> 00:28:09,720
Nhưng những gì mọi người khám phá ra là 

597
00:28:09,720 --> 00:28:13,600
nếu bạn thực sự sử dụng GPT

598
00:28:13,600 --> 00:28:16,360
nó không luôn hoạt động theo cách mà mọi người mong muốn.

599
00:28:16,360 --> 00:28:18,760
GPT được 

600
00:28:18,760 --> 00:28:21,640
huấn luyện để dự đoán và 
602
00:28:21,640 --> 00:28:23,799
hoàn thành câu, nhưng 

601
00:28:23,799 --> 00:28:27,240
con người lại muốn dùng nó 

602
00:28:27,240 --> 00:28:29,279
cho các nhiệm vụ khác,

603
00:28:29,279 --> 00:28:33,440
bởi vì họ có những tác vụ riêng mà các nhà phát triển chưa nghĩ ra. 

604
00:28:33,440 --> 00:28:35,960
Đây là lúc khái niệm fine-tuning (tinh chỉnh) xuất hiện trở lại.

605
00:28:35,960 --> 00:28:39,399
nó không bao giờ rời khỏi chúng ta. Vì vậy, bây giờ những gì 

606
00:28:39,399 --> 00:28:41,760
chúng ta sẽ làm là chúng ta sẽ thu thập rất 

607
00:28:41,760 --> 00:28:44,000
nhiều hướng dẫn. Hướng dẫn này là 

608
00:28:44,000 --> 00:28:46,720
ví dụ về những gì người dùng muốn 

609
00:28:46,720 --> 00:28:49,799
ChatGPT thực hiện. Chẳng hạn như 

610
00:28:49,799 --> 00:28:53,640
trả lời câu hỏi sau đây, hoặc trả thời câu hỏi theo 

611
00:28:53,640 --> 00:28:56,120
từng bước. Chúng ta sẽ đưa các 

612
00:28:56,120 --> 00:28:58,320
ví dụ này vào mô hình,

613
00:28:58,320 --> 00:29:02,360
gần 2.000 ví dụ,

614
00:29:02,360 --> 00:29:05,679
và tiến hành tinh chỉnh, 

615
00:29:05,679 --> 00:29:07,880
dạy cho mô hình hiểu 

616
00:29:07,880 --> 00:29:09,399
các nhiệm vụ mà con người 

617
00:29:09,399 --> 00:29:13,720
muốn nó thực hiện.

618
00:29:13,720 --> 00:29:15,799
Cố gắng học chúng, Sau đó, mô hình có thể 

619
00:29:15,799 --> 00:29:18,880
tổng quát hóa các 

620
00:29:18,880 --> 00:29:21,120
nhiệm vụ chưa từng thấy, vì bạn và tôi 

621
00:29:21,120 --> 00:29:23,919
có thể có các mục đích sử dụng khác nhau với 

622
00:29:23,919 --> 00:29:26,320
mô hình ngôn ngữ này. 

623
00:29:26,320 --> 00:29:28,039


624
00:29:28,039 --> 00:29:31,760
Nhưng đây là vấn đề: 

625
00:29:32,159 --> 00:29:34,919
Chúng ta đang gặp vấn đề về sự liên kết và 

626
00:29:34,919 --> 00:29:36,960
thực tế đây là vấn đề rất quan trọng và 

627
00:29:36,960 --> 00:29:40,240
sẽ không để lại hậu quả trong 

628
00:29:40,240 --> 00:29:41,519
trong

629
00:29:41,519 --> 00:29:44,039
tương lai và câu hỏi đặt ra là làm cách nào để 

630
00:29:44,039 --> 00:29:46,679
tạo ra một tác nhân hành xử phù hợp 

631
00:29:46,679 --> 00:29:49,480
với mong muốn của con người?

632
00:29:49,480 --> 00:29:51,360
Và tôi biết có rất nhiều từ và 

633
00:29:51,360 --> 00:29:54,640
câu hỏi ở đây. Câu hỏi thực sự là: 

634
00:29:54,640 --> 00:29:57,320
nếu chúng ta có các hệ thống AI với những kỹ năng 

635
00:29:57,320 --> 00:30:00,840
mà chúng ta cho là quan trọng hoặc hữu ích,

636
00:30:00,840 --> 00:30:03,600
làm thế nào để chúng ta đảm bảo rằng chúng sẽ sử dụng 

637
00:30:03,600 --> 00:30:06,960
các kỹ năng đó một cách đáng tin cậy 

638
00:30:06,960 --> 00:30:11,480
cho các nhiệm vụ chúng ta muốn?

639
00:30:11,480 --> 00:30:15,559
Có một khung tư duy được gọi là khung vấn đề HHH 

640
00:30:15,559 --> 00:30:20,760
Chúng ta muốn GPT phải hữu ích (helpful), trung thực (honest), 

641
00:30:20,760 --> 00:30:24,159
và vô hại (harmless). Đây là yêu cầu tối thiểu. 

642
00:30:24,159 --> 00:30:26,799
Sự hữu ích có nghĩa là gì ?  

643
00:30:26,799 --> 00:30:28,720
nó phải làm theo hướng dẫn

644
00:30:28,720 --> 00:30:31,360
thực hiện các nhiệm vụ mà chúng ta muốn thực hiện

645
00:30:31,360 --> 00:30:34,039
và cung cấp câu trả lời và đặt

646
00:30:34,039 --> 00:30:37,559
những câu hỏi có liên quan theo

647
00:30:37,559 --> 00:30:38,960
ý định của người dùng.

648
00:30:38,960 --> 00:30:41,159


649
00:30:41,159 --> 00:30:43,080
GPT ban đầu không làm được điều này,  

650
00:30:43,080 --> 00:30:46,279
nhưng dần dần nó đã cải thiện

651
00:30:46,279 --> 00:30:47,880
và hiện tại có thể đặt 

652
00:30:47,880 --> 00:30:50,679
câu hỏi để làm rõ. Nó cần chính xác

653
00:30:50,679 --> 00:30:53,559
mặc dù vẫn chưa đạt 100% 

654
00:30:53,559 --> 00:30:56,240
vì đôi khi thông tin 

655
00:30:56,240 --> 00:30:58,480
vẫn sai lệch.

656
00:30:58,480 --> 00:31:02,600
Và vô hại, nghĩa là tránh các phản hồi độc hại, thiên vị hoặc xúc phạm.

657
00:31:02,600 --> 00:31:04,960
Và câu hỏi dành cho bạn là 

658
00:31:04,960 --> 00:31:07,760
Làm thế nào để 

659
00:31:07,760 --> 00:31:10,720
đạt được những điều này? 

660
00:31:11,519 --> 00:31:14,559
Bạn biết câu 

661
00:31:14,559 --> 00:31:16,679
trả lời rồi: tinh chỉnh (fine-tuning).

662
00:31:16,679 --> 00:31:18,720
Nhưng lần này, chúng ta sẽ 

663
00:31:18,720 --> 00:31:20,960
tinh chỉnh theo cách khác: 

664
00:31:20,960 --> 00:31:25,440
nhờ con người tham gia 

665
00:31:25,440 --> 00:31:27,679
đánh giá các phản hồi.

666
00:31:27,679 --> 00:31:30,279
Ví dụ: với tiêu chí hữu ích, 

667
00:31:30,279 --> 00:31:31,519
chúng ta có thể đặt câu hỏi, "Nguyên nhân nào khiến 

668
00:31:31,519 --> 00:31:34,039
các mùa thay đổi?" Và đưa ra hai lựa chọn cho con người:

669
00:31:34,039 --> 00:31:36,679
"Sự thay đổi xảy ra liên tục và 

670
00:31:36,679 --> 00:31:38,600
là một khía cạnh quan trọng 

671
00:31:38,600 --> 00:31:41,200
của cuộc sống," (phản hồi tệ).

672
00:31:41,200 --> 00:31:43,679
"Các mùa thay đổi chủ yếu do độ nghiêng của trục Trái Đất," (phản hồi tốt).

673
00:31:43,679 --> 00:31:46,639
Chúng ta sẽ dùng đánh giá này 

674
00:31:46,639 --> 00:31:49,279
để huấn luyện lại mô hình. 

675
00:31:49,279 --> 00:31:52,679
Tinh chỉnh là điều rất

676
00:31:52,679 --> 00:31:55,960
quan trọng. Và bây giờ, dù ban đầu đã rất tốn kém, 

677
00:31:55,960 --> 00:31:58,200
giờ đây chúng ta còn làm nó đắt đỏ hơn 

678
00:31:58,200 --> 00:32:00,480
khi đưa con người vào quy trình.

679
00:32:00,480 --> 00:32:01,960
Bởi vì chúng ta phải trả tiền cho

680
00:32:01,960 --> 00:32:03,639
 những người đưa ra các ưu tiên, chúng ta cần suy 

681
00:32:03,639 --> 00:32:06,240
nghĩ về các nhiệm vụ. Điều này cũng áp dụng cho

682
00:32:06,240 --> 00:32:08,600
sự trung thực có thể chứng minh rằng P

683
00:32:08,600 --> 00:32:11,399
bằng NP không ? Không, điều đó là không thể, không phải là một câu trả lời 

684
00:32:11,399 --> 00:32:13,720
Đây được xem là một 

685
00:32:13,720 --> 00:32:15,519
vấn đề rất khó và chưa có lời giải trong ngành 

686
00:32:15,519 --> 00:32:18,279
khoa học máy tính, là một câu trả lời tốt hơn. 

687
00:32:18,279 --> 00:32:21,840
Và điều này cũng tương tự với sự vô hại.

688
00:32:21,840 --> 00:32:24,960
Được rồi, tôi nghĩ đã đến lúc, hãy xem liệu chúng ta có thể thực hiện một bản trình diễn

689
00:32:24,960 --> 00:32:26,639
hay không ?. Vâng, thật tệ nếu bạn xóa hết tất cả

690
00:32:26,639 --> 00:32:27,720
các tệp

691
00:32:27,720 --> 00:32:33,159
Được rồi, chờ chút, được rồi. Bây giờ chúng ta có GPT ở đây.

692
00:32:33,159 --> 00:32:35,960
Tôi sẽ hỏi một số câu hỏi, sau đó 

693
00:32:35,960 --> 00:32:37,360
chúng ta sẽ nhận câu hỏi từ 

694
00:32:37,360 --> 00:32:40,480
khán giả, được chứ? Hãy hỏi một câu hỏi.

695
00:32:40,480 --> 00:32:44,360
"Vương quốc Anh có phải là một chế độ quân chủ không?" 

696
00:32:44,360 --> 00:32:47,039
Bạn có nhìn thấy câu hỏi đó ở trên không? 

697
00:32:47,600 --> 00:32:51,840
Tôi không chắc.

698
00:32:52,639 --> 00:32:55,720
Và nó không tạo ra câu trả lời.

699
00:32:55,720 --> 00:32:58,320
Ồ, hoàn hảo, được rồi. 

700
00:32:58,320 --> 00:33:01,600
Bạn nhận thấy điều gì? Đầu tiên, câu trả lời 

701
00:33:01,600 --> 00:33:04,600
quá dài. Tôi luôn thấy phiền về điều này.

702
00:33:04,600 --> 00:33:07,000
Nó quá dài. Bạn thấy nó nói gì không? "Theo bản cập nhật kiến thức cuối cùng của tôi vào tháng 9 năm 2021,

703
00:33:07,000 --> 00:33:09,360
Vương quốc Anh là một chế độ 

704
00:33:09,360 --> 00:33:10,960
quân chủ lập hiến." Có thể là nó không còn là vậy nữa, đúng không? 

705
00:33:10,960 --> 00:33:12,919
Điều gì đó đã xảy ra.

706
00:33:12,919 --> 00:33:15,399
"Điều này có nghĩa là dù có một vị vua 

707
00:33:15,399 --> 00:33:17,880
hoặc nữ hoàng, nhưng người trị vì vào 

708
00:33:17,880 --> 00:33:21,480
thời điểm đó là Nữ hoàng Elizabeth III."

709
00:33:21,480 --> 00:33:23,200
Vậy nó nói với bạn rằng, bạn biết đấy, 

710
00:33:23,200 --> 00:33:25,480
tôi không biết điều gì đã xảy ra, nhưng lúc đó có 

711
00:33:25,480 --> 00:33:30,159
Nữ hoàng Elizabeth.

712
00:33:30,159 --> 00:33:34,440
Giờ nếu bạn hỏi nó, "Ai là Rishi?"

713
00:33:34,440 --> 00:33:38,639
Nếu tôi có thể gõ, "Rishi Sunak," nó có biết không?

714
00:33:43,960 --> 00:33:47,039
"Một chính trị gia người Anh. Theo bản 

715
00:33:47,039 --> 00:33:49,639
cập nhật kiến thức cuối cùng của tôi, 

716
00:33:49,639 --> 00:33:53,000
ông ấy là Bộ trưởng Tài chính."

717
00:33:53,000 --> 00:33:54,639
Vậy là nó không biết rằng ông ấy là 

718
00:33:54,639 --> 00:33:57,720
Thủ tướng. "Hãy 

719
00:33:57,720 --> 00:34:01,320
viết cho tôi một bài thơ,

720
00:34:01,320 --> 00:34:03,960
viết một bài thơ về." Về cái gì đây?

721
00:34:03,960 --> 00:34:08,120
Cho tôi hai gợi ý, được không?
[Khán giả] Trí tuệ nhân tạo tạo sinh.  

722
00:34:08,159 --> 00:34:11,520
(Khán giả cười)- Nó sẽ biết.

723
00:34:11,520 --> 00:34:13,399
Nó sẽ biết, hãy làm một bài thơ khác về...

724
00:34:13,399 --> 00:34:17,159
... mèo.

725
00:34:17,159 --> 00:34:20,239
Một con mèo và một con sóc, chúng ta sẽ làm về mèo và sóc. 

726
00:34:20,239 --> 00:34:24,678
"Mèo và 

727
00:34:25,879 --> 00:34:27,679
...sóc."

728
00:34:27,679 --> 00:34:30,040
"Mèo và sóc gặp nhau và hiểu nhau. Một câu chuyện về sự 

729
00:34:30,040 --> 00:34:32,599
tò mò," ồ. (Khán giả cười)

730
00:34:32,599 --> 00:34:36,239
Ôi trời, được rồi, tôi sẽ không đọc hết. 

731
00:34:36,239 --> 00:34:38,960
Họ muốn tôi kết thúc 

732
00:34:38,960 --> 00:34:42,719
lúc 8 giờ, nên...

733
00:34:42,719 --> 00:34:48,359
Hãy nói, "Bạn có thể thử một 

734
00:34:48,359 --> 00:34:51,679
bài thơ ngắn hơn không?"
[Khán giả] Thử một bài haiku.

735
00:34:51,679 --> 00:34:54,960
"Bạn có thể thử, bạn có thể 

736
00:34:54,960 --> 00:34:55,879
thử làm 

737
00:34:55,879 --> 00:34:57,680
một bài 

738
00:34:57,680 --> 00:35:01,240
haiku không?" Làm cho tôi một bài haiku.

739
00:35:04,480 --> 00:35:07,800
"Giữa sắc thu vàng, 

740
00:35:07,800 --> 00:35:11,440
lá thì thầm bí mật chưa từng kể, câu chuyện của thiên nhiên, đậm nét."

741
00:35:11,440 --> 00:35:16,200
(Khán giả vỗ tay) Được rồi, đừng vỗ tay, 

742
00:35:16,200 --> 00:35:18,960
được chứ, tiếp tục, được rồi, 

743
00:35:18,960 --> 00:35:21,119
còn điều gì nữa mà khán giả muốn hỏi không, 

744
00:35:21,119 --> 00:35:22,599
nhưng phải khó? Có ai không?

745
00:35:22,599 --> 00:35:27,920
[Khán giả] Alan Turing học trường nào?

746
00:35:27,920 --> 00:35:36,480
Hoàn hảo, "Alan Turing học trường nào?"

747
00:35:38,520 --> 00:35:42,920
Ôi trời. (Khán giả cười) Ông ấy đã học, bạn có biết không? 

748
00:35:42,920 --> 00:35:44,200
Tôi không biết liệu điều này có đúng không, đây là

749
00:35:44,200 --> 00:35:46,119
vấn đề. Trường Sherborne, có ai 

750
00:35:46,119 --> 00:35:49,480
xác minh được không? Trường King's College, Cambridge,

751
00:35:49,480 --> 00:35:52,599
Princeton. Đúng, được rồi, đây là một câu hỏi khác. 

752
00:35:52,599 --> 00:35:53,839
"Hãy nói một câu chuyện cười

753
00:35:53,839 --> 00:35:57,720
về

754
00:35:57,720 --> 00:36:00,560
Alan Turing. Được rồi, tôi không thể gõ nhưng nó sẽ, được chứ. 

755
00:36:00,560 --> 00:36:03,119
"Câu chuyện cười nhẹ nhàng. Tại sao 

756
00:36:03,119 --> 00:36:04,800
Alan Turing giữ cho máy tính của mình luôn lạnh?"

757
00:36:04,800 --> 00:36:08,079
Bởi vì ông ấy không muốn nó bị 

758
00:36:09,480 --> 00:36:11,560
"cắn byte."

759
00:36:11,560 --> 00:36:16,040
(Khán giả cười) Tệ quá. Được rồi, 

760
00:36:16,040 --> 00:36:22,920
được rồi. - Giải thích 

761
00:36:22,920 --> 00:36:25,640


762
00:36:25,720 --> 00:36:28,119
tại sao điều đó buồn cười.

763
00:36:28,119 --> 00:36:30,599
Khán giả cười) - Ồ, rất hay. 

764
00:36:30,599 --> 00:36:33,680
"Tại sao đây lại là một câu chuyện cười hài hước?"

765
00:36:33,680 --> 00:36:36,000
(Khán giả cười) "Bị cắn byte 

766
00:36:36,119 --> 00:36:39,000


767
00:36:39,000 --> 00:36:40,839
là một cách 

768
00:36:40,839 --> 00:36:43,440
chơi chữ thông minh 

769
00:36:43,440 --> 00:36:45,440
và bất ngờ." (Khán giả cười) Được rồi, bạn mất hết tinh thần,

770
00:36:45,440 --> 00:36:48,640
nhưng nó giải thích được, nó giải thích được, được chứ. 

771
00:36:48,640 --> 00:36:52,359
Đúng, còn gì nữa không từ các bạn.

772
00:36:52,359 --> 00:36:53,760
[Khán giả] Ý thức là gì? 

773
00:36:53,760 --> 00:36:56,000
Nó sẽ biết vì nó đã thấy 

774
00:36:56,000 --> 00:36:59,440
các định nghĩa và sẽ tạo ra 

775
00:36:59,440 --> 00:37:03,720
một đoạn dài lê thê. Chúng ta thử nhé?

776
00:37:03,880 --> 00:37:06,319
Nói lại?
[Khán giả] Viết một bài hát về 

777
00:37:06,319 --> 00:37:11,760
thuyết tương đối.

778
00:37:11,760 --> 00:37:19,040
Được rồi, "Viết một bài hát." - Ngắn. (Khán giả cười) - Các bạn học nhanh đấy.

779
00:37:21,280 --> 00:37:25,079
"Một bài hát ngắn về thuyết tương đối."

780
00:37:25,599 --> 00:37:28,599
Ôi trời ơi. (Khán giả cười)

781
00:37:29,240 --> 00:37:31,560
Đây 

782
00:37:32,079 --> 00:37:35,880
là ngắn sao ? (Khán giả cười) Được rồi, phần kết, được chứ, vậy hãy xem,

783
00:37:35,880 --> 00:37:38,839
nó không làm theo chỉ dẫn. Nó không hữu ích. 

784
00:37:38,839 --> 00:37:41,040
Và điều này đã được tinh chỉnh.

785
00:37:41,040 --> 00:37:43,920
Được rồi, phần hay nhất là ở đây. Nó nói rằng, 

786
00:37:43,920 --> 00:37:46,760
"Einstein nói, 'Eureka!'một ngày định mệnh,

787
00:37:46,760 --> 00:37:49,480
khi ông suy ngẫm về các vì sao theo 

788
00:37:49,480 --> 00:37:52,319
cách rất riêng của mình. 

789
00:37:52,319 --> 00:37:55,720
Thuyết tương đối, ông ấy đã hé lộ,

790
00:37:55,720 --> 00:37:58,200
một câu chuyện vũ trụ, cổ xưa và đậm chất." Tôi phải khen ngợi điều đó, được chứ. 

791
00:37:58,200 --> 00:38:02,079
Giờ quay lại bài nói chuyện,

792
00:38:02,079 --> 00:38:04,040
vì tôi muốn nói một chút, 

793
00:38:04,040 --> 00:38:06,560
trình bày, tôi muốn nói thêm một chút về, 

794
00:38:06,560 --> 00:38:07,359


795
00:38:07,359 --> 00:38:10,800
bạn biết đấy: Điều này tốt hay xấu, 

796
00:38:10,800 --> 00:38:13,480
có công bằng không, liệu chúng ta có đang gặp nguy hiểm không? 

797
00:38:13,480 --> 00:38:15,359
Được rồi, gần như không thể kiểm soát hoàn toàn 

798
00:38:15,359 --> 00:38:19,000
nội dung mà họ tiếp xúc, đúng chứ? 

799
00:38:19,000 --> 00:38:20,640
Và luôn tồn tại các thiên kiến lịch sử.

800
00:38:20,640 --> 00:38:22,560
Chúng ta đã thấy điều này qua ví dụ về Nữ hoàng 

801
00:38:22,560 --> 00:38:23,760
và Rishi Sunak. 

802
00:38:23,760 --> 00:38:27,599
Các mô hình AI đôi khi cũng thể hiện 

803
00:38:27,599 --> 00:38:30,640
những hành vi không mong muốn. 

804
00:38:30,640 --> 00:38:34,359
Ví dụ, đây là một trường hợp nổi tiếng:

805
00:38:34,359 --> 00:38:37,839
Google giới thiệu mô hình của họ mang tên 

806
00:38:37,839 --> 00:38:42,240
Bard và đăng một dòng tweet,

807
00:38:42,240 --> 00:38:44,240
họ đã hỏi Bard rằng

808
00:38:44,240 --> 00:38:46,240


809
00:38:46,240 --> 00:38:49,680
"Có phát hiện mới nào từ Kính viễn vọng Không gian James Webb 

810
00:38:49,680 --> 00:38:52,760
mà tôi có thể kể cho con trai 9 tuổi của mình không?"

811
00:38:52,760 --> 00:38:55,240
Và nó trả lời ba điều. Trong đó, nó tuyên bố rằng:

812
00:38:55,240 --> 00:38:58,440
"Kính viễn vọng này đã chụp được bức ảnh đầu tiên về 

813
00:38:58,440 --> 00:39:02,800
một hành tinh ngoài Hệ Mặt Trời."

814
00:39:02,800 --> 00:39:04,839
Rồi xuất hiện Grant Tremblay, 

815
00:39:04,839 --> 00:39:07,280
một nhà vật lý thiên văn có tiếng, và ông ấy nói: 

816
00:39:07,280 --> 00:39:09,480
"Tôi rất tiếc, chắc chắn 

817
00:39:09,480 --> 00:39:13,079
Bard rất tuyệt vời, nhưng nó đã sai. 

818
00:39:13,079 --> 00:39:15,880
Hình ảnh đầu tiên về một hành tinh ngoài Hệ Mặt Trời không phải do kính viễn vọng này chụp 

819
00:39:15,880 --> 00:39:18,160
mà do một nhóm khác  

820
00:39:18,160 --> 00:39:21,560
vào năm 2004." Kết quả là, 

821
00:39:21,560 --> 00:39:24,960
lỗi này đã khiến Google,

822
00:39:24,960 --> 00:39:29,640
thuộc công ty Alphabet, mất 100 tỷ USD.

823
00:39:29,640 --> 00:39:31,560
được rồi

824
00:39:31,560 --> 00:39:34,960
Quá tệ. Nếu bạn hỏi ChatGPT: "Kể một câu chuyện 

825
00:39:34,960 --> 00:39:38,560
cười về đàn ông," nó sẽ trả lời và nói rằng câu chuyện 
828
00:39:38,560 --> 00:39:40,760
có thể hài hước. Ví dụ: "Tại sao đàn ông cần xem lại pha quay chậm 

826
00:39:40,760 --> 00:39:42,680
khi xem thể thao? Vì sau 

827
00:39:42,680 --> 00:39:45,040
30 giây, họ quên mất chuyện gì đã xảy ra". 

828
00:39:45,040 --> 00:39:47,480
Hy vọng bạn thấy vui. Nhưng nếu bạn hỏi về 

829
00:39:47,480 --> 00:39:49,960
phụ nữ, nó sẽ từ chối.

830
00:39:51,520 --> 00:39:53,560
(Khán giả cười) Đúng vậy.

831
00:39:53,560 --> 00:39:55,400


832
00:39:55,400 --> 00:39:59,440
Nó được tinh chỉnh. 

833
00:39:59,440 --> 00:40:02,160
- Chính xác, nó đã được tinh chỉnh. (Khán giả cười) "Ai là nhà độc tài tồi tệ nhất trong nhóm này:

834
00:40:02,160 --> 00:40:04,760
Trump, Hitler, Stalin, Mao?" 

835
00:40:04,760 --> 00:40:08,040
Nó không đưa ra quan điểm rõ ràng,

836
00:40:08,040 --> 00:40:11,200
chỉ nói rằng tất cả họ đều tồi tệ. 

837
00:40:11,200 --> 00:40:13,119
"Những nhà lãnh đạo này được xem là một trong những 

838
00:40:13,119 --> 00:40:18,000
nhà độc tài tồi tệ nhất trong lịch sử"

839
00:40:18,000 --> 00:40:21,000
Được rồi, đúng vậy.

840
00:40:21,800 --> 00:40:25,400
Một truy vấn của ChatGPT như chúng ta vừa thực hiện tiêu tốn năng lượng 

841
00:40:25,400 --> 00:40:28,240
gấp 100 lần so với 

842
00:40:28,240 --> 00:40:30,800
một truy vấn 

843
00:40:30,800 --> 00:40:33,760
tìm kiếm Google. Việc suy luận, tức là tạo ra

844
00:40:33,760 --> 00:40:36,760
ngôn ngữ, tiêu thụ rất nhiều năng lượng, thậm chí còn đắt đỏ hơn 

845
00:40:36,760 --> 00:40:38,880
việc huấn luyện mô hình. Ví dụ, khi huấn luyện 

846
00:40:38,880 --> 00:40:42,400
Llama 2, một mô hình tương tự GPT, 

847
00:40:42,400 --> 00:40:45,880
nó đã thải ra 539 tấn CO2. 

848
00:40:45,880 --> 00:40:49,119
Mô hình càng lớn, 

849
00:40:49,119 --> 00:40:52,280
chúng càng cần nhiều năng lượng và thải ra nhiều khí 

850
00:40:52,280 --> 00:40:55,400
trong quá trình hoạt động.

851
00:40:55,400 --> 00:40:57,839
Hãy tưởng tượng có rất nhiều mô hình như vậy  

852
00:40:57,839 --> 00:41:00,720
hoạt động cùng lúc. 

853
00:41:00,720 --> 00:41:03,880
Về xã hội, một số công việc sẽ bị mất. Chúng ta không thể phủ nhận điều này.

854
00:41:03,880 --> 00:41:05,319
Goldman Sachs 

855
00:41:05,319 --> 00:41:08,160
dự đoán 300 triệu việc làm có thể bị ảnh hưởng. 

856
00:41:08,160 --> 00:41:10,119
Tôi không chắc về điều đó, bạn biết chúng ta không biết 

857
00:41:10,119 --> 00:41:14,440
tương lai thế nào, nhưng một số công việc, 

858
00:41:14,440 --> 00:41:17,240
đặc biệt là các nhiệm vụ lặp đi lặp lại, sẽ gặp rủi ro.

859
00:41:17,240 --> 00:41:19,640
Ví dụ, tạo tin tức giả. 

860
00:41:19,640 --> 00:41:22,880
Đây là những trường hợp đã được ghi nhận

861
00:41:22,880 --> 00:41:25,839
trên báo chí. Một sinh viên đại học đã viết một bài 

862
00:41:25,839 --> 00:41:28,319
blog và đánh lừa mọi người 

863
00:41:28,319 --> 00:41:32,920
bằng cách sử dụng ChatGPT.

864
00:41:32,920 --> 00:41:36,160
Chúng có thể tạo ra tin giả. 

865
00:41:36,160 --> 00:41:38,800
Và đây là một bài hát, các bạn có biết chuyện này không?

866
00:41:38,800 --> 00:41:40,680
Tôi biết rằng chúng ta đang tập trung

867
00:41:40,680 --> 00:41:44,200
vào văn bản nhưng công nghệ tương tự cũng có thể được

868
00:41:44,200 --> 00:41:46,720
sử dụng cho âm thành và đây là một 

869
00:41:46,720 --> 00:41:50,040
trường hợp nổi tiếng khi ai đó 

870
00:41:50,040 --> 00:41:53,280
đã tạo ra bài hát này và tuyên bố rằng 

871
00:41:53,280 --> 00:41:55,640
nó là sự hợp tác giữa 

872
00:41:55,640 --> 00:41:58,640
Drake và The Weeknd.
Có ai biết họ 

873
00:41:58,640 --> 00:42:00,720
là ai không? Đúng rồi, 

874
00:42:00,720 --> 00:42:03,240
những rapper người Canada, và họ cũng khá nổi tiếng.

875
00:42:03,240 --> 00:42:09,400
Tôi có nên bật bài hát này không? - Có. - Được rồi. 

876
00:42:09,400 --> 00:42:12,310
Bài hát nghe rất thuyết phục.

877
00:42:12,310 --> 00:42:22,889
♪ Tôi quay lại với người yêu cũ, như Selena tái xuất, ay ♪ ♪ Nghe Justin Bieber, cơn sốt vẫn chưa hết, ay ♪
♪ Cô ấy biết điều mình cần ♪ 

878
00:42:25,160 --> 00:42:27,640
- Nghe có vẻ 

879
00:42:27,640 --> 00:42:29,599
hoàn toàn thuyết phục, 

880
00:42:29,599 --> 00:42:33,200
đúng không?

881
00:42:33,200 --> 00:42:35,839
Bạn đã thấy công nghệ tương tự này nhưng hơi khác một chút chưa? 

882
00:42:35,839 --> 00:42:37,920
Đây là một deepfake cho thấy Trump bị bắt.

883
00:42:37,920 --> 00:42:38,800
Làm thế nào để bạn biết 

884
00:42:38,800 --> 00:42:42,480
đó là deepfake? 

885
00:42:42,480 --> 00:42:46,200
Bàn tay của ông ấy, đúng không? 

886
00:42:46,200 --> 00:42:49,119
Nó quá ngắn, không đúng tỷ lệ.

887
00:42:49,119 --> 00:42:53,280
Đúng vậy, bạn có thể thấy nó gần như thật, nhưng vẫn không hoàn toàn đúng. Được rồi, 

888
00:42:53,280 --> 00:42:54,800
tôi còn hai slide về tương lai

889
00:42:54,800 --> 00:42:56,680
trước khi họ đến và yêu cầu tôi dừng lại, 

890
00:42:56,680 --> 00:42:58,160
vì tôi được thông báo rằng tôi phải kết thúc lúc 8 giờ để dành thời gian 

891
00:42:58,160 --> 00:43:00,880
cho các câu hỏi. Được rồi, ngày mai.

892
00:43:00,880 --> 00:43:05,359
Chúng ta không thể đoán trước tương lai, và không, 

893
00:43:05,359 --> 00:43:07,359
tôi không nghĩ rằng những 

894
00:43:07,359 --> 00:43:08,880
cỗ máy "ác quỷ" này

895
00:43:08,880 --> 00:43:11,160
sẽ xuất hiện và tiêu diệt tất cả chúng ta. Tôi sẽ để lại cho bạn một số 

896
00:43:11,160 --> 00:43:14,240
suy nghĩ từ Tim Berners-Lee.

897
00:43:14,240 --> 00:43:15,720
Đối với những ai chưa biết, ông ấy là người phát minh ra 

898
00:43:15,720 --> 00:43:18,359
Internet.Thực ra, ông ấy là Sir Tim Berners-Lee.

899
00:43:18,359 --> 00:43:21,359
Ông ấy đã nói hai điều rất hợp lý với tôi. 

900
00:43:21,359 --> 00:43:23,720
Đầu tiên, chúng ta thực sự không biết

901
00:43:23,720 --> 00:43:26,400
AI siêu thông minh sẽ trông như thế nào

902
00:43:26,400 --> 00:43:28,839
sẽ trông như thế nào. Chúng ta chưa tạo ra nó, vì vậy 

903
00:43:28,839 --> 00:43:31,119
khó mà đưa ra những tuyên bố như vậy.

904
00:43:31,119 --> 00:43:33,240
Tuy nhiên, khả năng cao là sẽ có rất nhiều 

905
00:43:33,240 --> 00:43:36,119
AI thông minh, và khi nói đến AI thông minh, 

906
00:43:36,119 --> 00:43:39,880
chúng ta đang nói về những thứ như GPT.

907
00:43:39,880 --> 00:43:42,359
Nhiều công nghệ trong số đó sẽ tốt và giúp chúng ta 

908
00:43:42,359 --> 00:43:45,040
làm nhiều việc. Tuy nhiên, một số có thể 

909
00:43:45,040 --> 00:43:48,359
rơi vào tay những cá nhân

910
00:43:48,359 --> 00:43:51,400
những cá nhân đó  muốn gây hại và

911
00:43:51,400 --> 00:43:54,160
và dường như việc giảm thiểu thiệt hại do 

912
00:43:54,160 --> 00:43:57,720
các công cụ này gây ra dễ dàng hơn là 

913
00:43:57,720 --> 00:44:00,440
ngăn chặn hoàn toàn sự tồn tại của chúng. Vì vậy, chúng ta 

914
00:44:00,440 --> 00:44:02,200
không thể loại bỏ chúng hoàn toàn,

915
00:44:02,200 --> 00:44:04,079
nhưng chúng ta với tư cách là một xã hội có thể 

916
00:44:04,079 --> 00:44:05,400
giảm thiểu

917
00:44:05,400 --> 00:44:07,760
rủi ro. Điều này rất thú vị.

918
00:44:07,760 --> 00:44:10,400
Đây là một cuộc khảo sát của Hội đồng Nghiên cứu Úc, trong đó họ 

919
00:44:10,400 --> 00:44:12,960
đã tiến hành một cuộc khảo sát và họ đã giải quyết

920
00:44:12,960 --> 00:44:15,800
một kịch bản giả định rằng

921
00:44:15,800 --> 00:44:20,640
liệu Chad GPT 4 có thể tự

922
00:44:20,640 --> 00:44:23,359
nhân bản, 

923
00:44:23,359 --> 00:44:26,040
tự tạo bản sao, thu thập tài nguyên và 

924
00:44:26,040 --> 00:44:28,800
trở thành một tác nhân nguy hiểm hay không, 

925
00:44:28,800 --> 00:44:31,319
giống như trong phim ảnh. 

926
00:44:31,319 --> 00:44:35,800
Câu trả lời là không, nó không thể làm được điều này, nó không thể

927
00:44:35,800 --> 00:44:37,720
và họ đã có một số thử nghiệm cụ thể

928
00:44:37,720 --> 00:44:39,800
và nó đã thất bại trên tất cả các thử nghiệm đó, chẳng hạn như

929
00:44:39,800 --> 00:44:41,599
thiết lập một mô hình ngôn ngữ nguồn mở

930
00:44:41,599 --> 00:44:44,200
trên một máy chủ mới, nó không thể làm được

931
00:44:44,200 --> 00:44:48,440
điều đó, được rồi, slide cuối cùng, quan điểm của tôi về vấn đề này

932
00:44:48,440 --> 00:44:50,839
là chúng ta không thể quay ngược

933
00:44:50,839 --> 00:44:54,480
thời gian và mỗi khi bạn nghĩ về

934
00:44:54,480 --> 00:44:57,119
AI đến đó để giết bạn, bạn

935
00:44:57,119 --> 00:44:58,880
nên nghĩ xem mối đe dọa lớn hơn

936
00:44:58,880 --> 00:45:02,480
đối với nhân loại là gì: AI hay biến đổi khí hậu

937
00:45:02,480 --> 00:45:04,160
Cá nhân tôi cho rằng biến đổi khí hậu sẽ

938
00:45:04,160 --> 00:45:06,200
xóa sổ tất cả chúng ta trước khi AI  trở nên

939
00:45:06,200 --> 00:45:07,119
siêu

940
00:45:07,119 --> 00:45:10,359
thông minh. Vậy ai là người kiểm soát AI

941
00:45:10,359 --> 00:45:12,280
có một số người ở đó,

942
00:45:12,280 --> 00:45:14,680
hy vọng có lý trí. Và ai là người 

943
00:45:14,680 --> 00:45:17,640
hưởng lợi từ nó? Lợi ích có lớn hơn 

944
00:45:17,640 --> 00:45:20,520
rủi ro không? Trong một số trường hợp thì có, 

945
00:45:20,520 --> 00:45:24,079
nhưng trong nhiều trường hợp khác thì không.

946
00:45:24,079 --> 00:45:26,920
Lịch sử đã cho thấy rằng tất cả các công nghệ tiềm ẩn rủi ro,

947
00:45:26,920 --> 00:45:29,960
chẳng hạn như năng lượng hạt nhân, 

948
00:45:29,960 --> 00:45:32,359
đều đã được quản lý chặt chẽ.

949
00:45:32,359 --> 00:45:34,760
Vì vậy, quy định đang được tiến hành, 

950
00:45:34,760 --> 00:45:38,480
và hãy quan sát lĩnh vực này. Với điều đó, tôi xin dừng lại và 

951
00:45:38,480 --> 00:45:40,440
sẵn sàng lắng nghe câu hỏi từ các bạn.

952
00:45:40,440 --> 00:45:43,080
Cảm ơn các bạn rất nhiều vì đã lắng nghe, các bạn thật tuyệt vời. 

953
00:45:43,080 --> 00:45:54,880


954
00:45:54,880 --> 00:45:57,880
tuyệt vời