Các chuyên gia AI của NVIDIA dự báo những chuyển đổi nhanh trong các lĩnh vực khi các công ty đẩy nhanh việc triển khai AI và bắt đầu xây dựng các phương án tốt nhất để ứng dụng AI tạo sinh (Generative AI).
Theo Merriam-Webster: Các doanh nghiệp năm nay đã tìm thấy rất nhiều ứng cử viên để bổ sung vào danh sách “từ khóa” của năm (word of the year). “Generative AI”, “Generative Pretrained Transformer” và theo sau đó là các thuật ngữ như “Large Language Model” (LLM) và “Retrieval-Augmented Generation” (RAG), khi toàn bộ các ngành công nghiệp chuyển sự chú ý của họ sang những công nghệ mới mang tính chuyển đổi.
Generative AI bắt đầu năm mới như một đốm sáng trên màn hình radar nhưng kết thúc bằng một sự bùng nổ. Nhiều công ty đang nỗ lực khai thác khả năng hấp thu văn bản, giọng nói và video để tạo ra nội dung mới có thể cách mạng hóa vấn đề năng suất, sự đổi mới và tính sáng tạo.
Các doanh nghiệp đang “cưỡi” trên làn sóng của xu hướng. Theo McKinsey & Company: Những thuật toán Deep Learning như ChatGPT của OpenAI – được đào tạo thêm với dữ liệu riêng của công ty, có thể mang về thêm số tiền tương đương từ 2.6 đến 4.4 nghìn tỷ USD hàng năm cho 63 mảng ứng dụng trong doanh nghiệp.
Tuy nhiên, việc quản lý lượng lớn dữ liệu nội bộ thường được coi là trở ngại lớn nhất cho việc mở rộng quy mô AI. Một số chuyên gia của NVIDIA về AI dự đoán rằng, năm 2024 tất cả sẽ đơn giản chỉ là, gọi điện cho bạn bè – tạo dựng mối quan hệ đối tác và cộng tác với các nhà cung cấp dịch vụ đám mây, các công ty phân tích và lưu trữ dữ liệu hay những nơi biết cách xử lý công việc, tinh chỉnh và triển khai dữ liệu lớn (Big Data) một cách hiệu quả.
Mô hình ngôn ngữ lớn (LLM) là trung tâm của tất cả. Các chuyên gia của NVIDIA cho biết những tiến bộ trong nghiên cứu LLM sẽ ngày càng được áp dụng nhiều hơn trong các ứng dụng kinh doanh. Các khả năng AI như RAG, các trợ thủ (agent) thông minh tự vận hành và tương tác đa phương thức sẽ trở nên dễ tiếp cận hơn và được triển khai dễ dàng hơn trên hầu hết mọi nền tảng.
Cùng xem các chuyên gia của NVIDIA dự báo về những gì sẽ xảy ra trong năm tới:
1.
Một kích cỡ không thể phù hợp với tất cả: Khả năng tùy biến đang đến với các doanh nghiệp. Các công ty sẽ không có một hoặc hai ứng dụng GenAI – nhiều công ty sẽ có hàng trăm ứng dụng được tùy chỉnh sử dụng dữ liệu độc quyền phù hợp với nhiều bộ phận khác nhau trong hoạt động kinh doanh của họ.
Một khi đưa vào chạy trong môi trường sản xuất, các LLM tùy chỉnh này sẽ có những khả năng của RAG để kết nối các nguồn dữ liệu với các mô hình GenAI để có phản hồi chính xác, đầy đủ thông tin hơn. Các công ty hàng đầu như Amdocs, Dropbox, Genentech, SAP, ServiceNow và Snowflake đã và đang xây dựng các dịch vụ GenAI mới bằng cách sử dụng RAG và LLM.
Phần mềm nguồn mở sẽ dẫn dắt câu chuyện: Nhờ các pretrained model nguồn mở, các ứng dụng GenAI giúp giải quyết các thách thức lĩnh vực cụ thể – sẽ trở thành một phần trong những chiến lược hoạt động của doanh nghiệp.
Khi các công ty kết hợp các mô hình khởi đầu này với dữ liệu riêng tư hoặc theo thời gian thực, họ có thể bắt đầu thấy được lợi ích về năng suất và chi phí được tăng tốc trong toàn tổ chức. Hệ thống điện toán và phần mềm AI được thiết lập để trở nên dễ tiếp cận hơn trên hầu hết mọi nền tảng, từ điện toán dựa trên cloud và các dịch vụ AI model foundry cho đến data center, edge và desktop.
AI và các microservices sẵn có: GenAI đã thúc đẩy việc áp dụng các điểm cung cấp API, giúp các nhà phát triển xây dựng các ứng dụng phức tạp dễ dàng hơn.
Vào năm 2024, các bộ công cụ phát triển phần mềm (SDK) và API sẽ nâng cấp khi các nhà phát triển tùy chỉnh các mô hình AI sẵn có bằng cách sử dụng các AI microservice như RAG-as-a-Service. Điều này sẽ giúp doanh nghiệp khai thác toàn bộ tiềm năng gia tăng năng suất nhờ AI với các trợ lý thông minh và các công cụ tóm tắt có thể truy cập thông tin kinh doanh kịp thời.
Các nhà phát triển sẽ có thể nhúng trực tiếp các API endpoint này vào ứng dụng của họ mà không phải lo lắng về việc duy trì hạ tầng cần thiết để hỗ trợ các model và framework. Người dùng cuối có thể trải nghiệm các ứng dụng trực quan, phản hồi nhanh và phù hợp hơn với nhu cầu của họ.
2.
Kho báu quốc gia: AI chuẩn bị trở thành cuộc đua trong không gian mới, trong đó mỗi quốc gia đều mong muốn tạo ra trung tâm tài năng (center of excellence) của riêng mình nhằm thúc đẩy những tiến bộ mới nhất trong nghiên cứu và khoa học cũng như cải thiện GDP.
Chỉ với vài trăm node điện toán được tăng tốc (accelerated computing), các quốc gia sẽ có thể nhanh chóng xây dựng các siêu máy tính AI exascale có hiệu suất và hiệu quả cao. Các trung tâm GenAI xuất sắc do chính phủ tài trợ sẽ thúc đẩy tăng trưởng kinh tế của các quốc gia bằng cách tạo việc làm mới và xây dựng các chương trình đại học mạnh mẽ hơn để tạo ra thế hệ nhà khoa học, nhà nghiên cứu và kỹ sư tiếp theo.
Bước nhảy vọt về lượng tử: Các nhà lãnh đạo doanh nghiệp sẽ khởi động các sáng kiến nghiên cứu điện toán lượng tử (quantum computing) dựa trên hai động lực chính: khả năng sử dụng các siêu máy tính AI truyền thống để mô phỏng bộ xử lý lượng tử và sự sẵn có của nền tảng phát triển mở, hợp nhất dành cho điện toán lượng tử lai cổ điển. Việc này cho phép các nhà phát triển sử dụng các ngôn ngữ lập trình tiêu chuẩn thay vì cần có kiến thức chuyên biệt, tùy chỉnh để xây dựng các thuật toán lượng tử.
Từng được coi là một lĩnh vực ít người biết đến trong khoa học máy tính, việc khám phá điện toán lượng tử sẽ trở nên phổ biến hơn khi các doanh nghiệp tham gia cùng các học viện và phòng thí nghiệm quốc gia theo đuổi những tiến bộ nhanh chóng trong khoa học vật liệu, nghiên cứu dược phẩm, vật lý hạ nguyên tử và logistics.
3.
Từ RAG đến riches: Mong đợi được nghe nhiều hơn về retrieval-augmented generation (RAG) khi các doanh nghiệp áp dụng các framework AI này vào năm 2024.
Khi các công ty đào tạo LLM để xây dựng các ứng dụng và dịch vụ AI tạo sinh, RAG được nhiều người coi là lời giải cho những phản hồi kém chính xác hoặc vô nghĩa thỉnh thoảng xảy ra khi các mô hình không có quyền truy cập đủ thông tin liên quan, chính xác cho một tình huống nhất định.
Bằng cách sử dụng dịch vụ truy xuất ngữ nghĩa, doanh nghiệp sẽ lấy các mô hình nền tảng nguồn mở, nhập dữ liệu của riêng họ để truy vấn của người dùng có thể truy xuất dữ liệu liên quan từ chỉ mục và sau đó chuyển nó đến mô hình đang chạy.
Kết quả là các doanh nghiệp có thể sử dụng ít tài nguyên hơn để đạt được các ứng dụng GenAI chính xác hơn trong các lĩnh vực như chăm sóc sức khỏe, tài chính, bán lẻ và sản xuất. Người dùng cuối sẽ mong đợi được thấy các chatbot phức tạp, nhạy cảm với ngữ cảnh và đa phương thức hơn cũng như các hệ thống gợi ý có nội dung được cá nhân hóa cho phép họ giao tiếp với dữ liệu của mình một cách tự nhiên và trực quan.
Đa phương thức tạo nên dấu ấn: GenAI dựa trên văn bản sẽ trở thành quá khứ. Ngay cả khi GenAI vẫn còn ở giai đoạn sơ khai, chúng ta có thể mong đợi được thấy nhiều ngành sử dụng LLM đa phương thức – cho phép người tiêu dùng sử dụng sự kết hợp của văn bản, lời nói và hình ảnh để đưa ra phản hồi phù hợp hơn theo ngữ cảnh cho truy vấn về bảng, biểu đồ hoặc sơ đồ.
Các công ty như Meta và OpenAI sẽ tìm cách vượt qua ranh giới của GenAI đa phương thức bằng cách bổ sung thêm sự hỗ trợ lớn hơn cho các giác quan, điều này sẽ dẫn đến những tiến bộ trong khoa học vật lý, khoa học sinh học và xã hội nói chung. Các doanh nghiệp sẽ có thể hiểu dữ liệu của họ không chỉ ở định dạng văn bản mà còn ở dạng PDF, đồ thị, biểu đồ, slide,…
4.
Khoá chặt mục tiêu về an toàn AI: Sự hợp tác giữa các tổ chức AI hàng đầu sẽ đẩy nhanh quá trình nghiên cứu và phát triển các hệ thống AI an toàn, mạnh mẽ. Kỳ vọng sẽ thấy các giao thức an toàn được chuẩn hóa mới và các phương pháp tốt nhất sẽ được áp dụng trong các ngành, đảm bảo mức độ an toàn cao và nhất quán trên các mô hình AI tạo sinh.
Các công ty sẽ tăng cường tập trung vào tính minh bạch và khả năng diễn giải trong những hệ thống AI – đồng thời sử dụng các công cụ và phương pháp luận mới để làm sáng tỏ quá trình ra quyết định của các mô hình AI phức tạp. Khi hệ sinh thái GenAI tập hợp xung quanh sự an toàn, tôi dự đoán rằng các công nghệ AI sẽ trở nên đáng tin cậy và phù hợp với các giá trị của loài người hơn.
5.
Đại chúng hóa việc phát triển ứng dụng: Hầu như bất kỳ ai, ở bất kỳ đâu đều sẽ sớm trở thành nhà phát triển (dev). Theo truyền thống, người ta phải biết và thành thạo việc sử dụng một ngôn ngữ lập trình cụ thể để phát triển các ứng dụng hoặc dịch vụ. Khi hạ tầng điện toán ngày càng được đào tạo về các ngôn ngữ lập trình phần mềm, bất kỳ ai cũng có thể viết dòng lệnh (prompt) để tạo ứng dụng, dịch vụ, hỗ trợ thiết bị,…
Trong khi các công ty sẽ tiếp tục thuê các dev để xây dựng và đào tạo các mô hình AI cũng như các ứng dụng chuyên nghiệp khác, hy vọng sẽ thấy được những cơ hội rộng lớn hơn đáng kể cho bất kỳ ai với bộ kỹ năng phù hợp để xây dựng các sản phẩm và dịch vụ tùy chỉnh. Họ sẽ được trợ giúp bởi đầu vào văn bản hoặc prompt bằng giọng nói, giúp việc tương tác với máy tính trở nên đơn giản như là việc hướng dẫn nó bằng lời nói.
“Now and Then” trong phim và bài hát: Giống như bài hát “mới” sử dụng AI tăng cường của The Fab Four đã thúc đẩy một vòng Beatlemania mới, buổi bình minh của bộ phim dài tập đầu tiên về GenAI sẽ tạo ra làn sóng chấn động trong ngành điện ảnh.
Lấy ví dụ, một nhà làm phim sử dụng máy quay phim 35mm. Nội dung tương tự có thể sớm được chuyển thành sản phẩm 70mm bằng cách sử dụng GenAI, giảm chi phí đáng kể liên quan đến sản xuất phim ở định dạng IMAX và cho phép nhiều đạo diễn hơn tham gia.
Những nhà sáng tạo sẽ biến những hình ảnh và video đẹp mắt thành những loại hình và hình thức giải trí mới bằng việc prompt (ra lệnh) cho máy tính bằng văn bản, hình ảnh hoặc video. Một số chuyên gia lo lắng rằng kỹ năng của họ sẽ bị thay thế, nhưng những vấn đề đó sẽ phai mờ dần khi GenAI được đào tạo tốt hơn về các nhiệm vụ cụ thể. Ngược lại, việc này sẽ giúp bạn rảnh tay để giải quyết các nhiệm vụ khác và cung cấp các công cụ mới với giao diện thân thiện với nghệ sĩ.
6.
Trợ lý phẫu thuật AI: Các bác sĩ phẫu thuật có thể sử dụng giọng nói để tăng cường những gì họ nhìn thấy và thấu hiểu bên trong và bên ngoài phòng phẫu thuật.
Việc kết hợp các dụng cụ, hình ảnh, robot và dữ liệu bệnh nhân theo thời gian thực với AI sẽ giúp đào tạo bác sĩ phẫu thuật tốt hơn, cá nhân hóa nhiều hơn trong quá trình phẫu thuật và an toàn hơn với phản hồi và hướng dẫn theo thời gian thực ngay cả khi phẫu thuật từ xa. Việc này sẽ giúp thu hẹp khoảng cách về 150 triệu ca phẫu thuật cần thiết nhưng chưa xảy ra, đặc biệt là ở các quốc gia có thu nhập thấp và trung bình.
Các nhà máy phát triển thuốc Generative AI: Một quy trình khám phá và phát triển thuốc mới đang nổi lên, trong đó việc tạo phân tử GenAI, dự đoán đặc tính và lập mô hình phức tạp sẽ thúc đẩy vòng lặp thí nghiệm thông minh, rút ngắn thời gian khám phá và nâng cao chất lượng của các ứng cử viên thuốc có hiệu quả lâm sàng.
Các nhà máy phát triển thuốc AI này sử dụng bộ dữ liệu chăm sóc sức khỏe khổng lồ sử dụng toàn bộ bộ gen, công cụ phân giải nguyên tử và tự động hóa phòng thí nghiệm robot có khả năng hoạt động 24/7. Lần đầu tiên, máy tính có thể học các hình mẫu và mối quan hệ trong các bộ dữ liệu khổng lồ và phức tạp, đồng thời tạo, dự đoán và lập mô hình các mối quan hệ sinh học phức tạp mà trước đây chỉ có thể phát hiện được thông qua quan sát thực nghiệm và tổng hợp tốn nhiều thời gian.
7.
Các doanh nghiệp đưa các LLM riêng lên đám mây: Một điều mà các doanh nghiệp học được từ năm 2023 là việc xây dựng LLM từ đầu không hề dễ dàng. Các công ty đi theo hướng này thường nản lòng trước nhu cầu đầu tư vào cơ sở hạ tầng và công nghệ mới, đồng thời họ gặp khó khăn trong việc tìm ra cách thức và thời điểm ưu tiên các sáng kiến khác của công ty.
Các nhà cung cấp dịch vụ đám mây, nhà cung cấp dịch vụ colocation và các doanh nghiệp khác đảm nhận và xử lý dữ liệu cho kinh doanh sẽ giúp các doanh nghiệp có phần mềm và siêu máy tính AI toàn diện. Điều này sẽ giúp các công ty trong các ngành tùy biến và triển khai chúng dễ dàng hơn.
Câu những “con cá” LLM giá trị trong hồ dữ liệu doanh nghiệp: Không thiếu số liệu thống kê về lượng thông tin mà một doanh nghiệp trung bình lưu trữ – có thể lên tới hàng trăm PB đối với các tập đoàn lớn. Tuy nhiên, nhiều công ty báo cáo rằng họ chỉ khai thác chưa đến một nửa số thông tin đó để có những hành động phù hợp.
Vào năm 2024, các doanh nghiệp sẽ bắt đầu sử dụng GenAI để tận dụng dữ liệu chưa được tinh chỉnh đó bằng cách đưa dữ liệu đó vào hoạt động xây dựng và tùy chỉnh LLM. Với siêu máy tính được hỗ trợ bởi AI, doanh nghiệp sẽ bắt đầu khai thác dữ liệu phi cấu trúc của họ – bao gồm các cuộc trò chuyện, video và code – để mở rộng hoạt động phát triển GenAI của họ sang đào tạo các mô hình đa phương thức.
Bước nhảy vọt vượt xa việc khai thác dữ liệu dạng bảng và các dữ liệu có cấu trúc này sẽ cho phép các công ty đưa ra câu trả lời cụ thể hơn cho các câu hỏi và tìm ra những cơ hội mới. Điều đó bao gồm việc giúp phát hiện những điểm bất thường khi chụp X quang trong y tế, phát hiện các xu hướng mới trong ngành bán lẻ và giúp hoạt động kinh doanh trở nên an toàn hơn.
8.
Cố vấn mua sắm bằng AI tạo sinh: Các nhà bán lẻ phải vật lộn với nhu cầu kép là kết nối khách hàng với sản phẩm họ mong muốn, đồng thời mang lại trải nghiệm mua sắm đa kênh nâng cao, giống con người, phù hợp với nhu cầu cá nhân và sở thích của họ.
Để đáp ứng những mục tiêu này, các nhà bán lẻ đang chuẩn bị giới thiệu các cố vấn mua sắm tiên tiến, được hỗ trợ bởi AI – sẽ trải qua quá trình đào tạo tỉ mỉ về thương hiệu, sản phẩm và dữ liệu khách hàng riêng biệt của nhà bán lẻ để đảm bảo hành trình mua sắm được cá nhân hóa, có hướng dẫn và phù hợp với thương hiệu – bắt chước sắc thái chuyên môn của một trợ lý con người. Cách tiếp cận sáng tạo này sẽ giúp tạo nên sự khác biệt cho các thương hiệu và tăng cường lòng trung thành của khách hàng bằng cách cung cấp trợ giúp được cá nhân hóa.
Thiết lập sự an toàn: Các nhà bán lẻ trên toàn cầu đang phải đối mặt với thách thức ngày càng lớn khi tội phạm bán lẻ có tổ chức ngày càng tinh vi và có tính phối hợp. Liên đoàn Bán lẻ Quốc gia báo cáo rằng các nhà bán lẻ đang chứng kiến mức tăng đáng kinh ngạc với 26.5% số vụ việc như vậy kể từ khi nạn trộm cắp bán lẻ gia tăng sau đại dịch.
Để nâng cao sự an toàn và bảo mật của trải nghiệm tại cửa hàng cho cả khách hàng và nhân viên, các nhà bán lẻ sẽ bắt đầu sử dụng phần mềm quản lý thông tin bảo mật vật lý và thị giác máy tính (computer vision) để thu thập và liên kết các sự kiện từ các hệ thống bảo mật khác nhau. Điều này sẽ cho phép AI phát hiện hung khí và hành vi bất thường như lấy đồ trên kệ trên quy mô lớn. Nó cũng sẽ giúp các nhà bán lẻ chủ động ngăn chặn các hoạt động tội phạm và duy trì môi trường mua sắm an toàn hơn.
9.
Số hóa công nghiệp kết hợp với AI tạo sinh: Sự kết hợp giữa số hóa công nghiệp với AI tạo sinh sẵn sàng xúc tác cho sự chuyển đổi công nghiệp. GenAI sẽ giúp việc biến đổi các khía cạnh của thế giới vật chất trở nên dễ dàng hơn – chẳng hạn như hình học, ánh sáng, vật lý, vật chất và hành vi – thành dữ liệu số. Đại chúng hóa quá trình số hóa thế giới vật chất sẽ thúc đẩy các doanh nghiệp công nghiệp, cho phép họ thiết kế, tối ưu hóa, sản xuất và bán sản phẩm hiệu quả hơn. Nó cũng cho phép họ dễ dàng tạo cơ sở đào tạo ảo và dữ liệu tổng hợp để đào tạo thế hệ AI mới sẽ tương tác và hoạt động trong thế giới thực, chẳng hạn như robot tự động và ô tô tự lái.
Khả năng tương tác 3D phát triển: Từ bảng vẽ đến sàn nhà máy, dữ liệu cho lần đầu tiên sẽ có thể tương tác được.
Các công ty phần mềm có chuyên môn và ảnh hưởng nhất thế giới từ các ngành sản xuất, thiết kế sản phẩm, bán lẻ, thương mại điện tử và robot đang cam kết với liên minh Alliance for OpenUSD mới được thành lập. OpenUSD, ngôn ngữ phổ quát giữa các công cụ 3D và dữ liệu, sẽ phá vỡ các silo dữ liệu, cho phép các doanh nghiệp công nghiệp cộng tác trên các hồ dữ liệu, các hệ thống công cụ và các nhóm chuyên môn dễ dàng hơn và nhanh hơn bao giờ hết để đẩy nhanh quá trình số hóa các quy trình công nghiệp thủ công, rườm rà trước đây.
10.
Hiện đại hóa vòng đời sản xuất ô tô: Ngành công nghiệp ô tô sẽ tiếp tục áp dụng GenAI để cung cấp các kết xuất hình ảnh chân thực, chính xác về mặt vật lý, thể hiện chính xác hình thức bên trong và bên ngoài của một chiếc xe – đồng thời tăng tốc độ thiết kế đánh giá, tiết kiệm chi phí và nâng cao hiệu quả.
Nhiều nhà sản xuất ô tô sẽ áp dụng công nghệ này trong các nhà máy thông minh của họ, kết nối các công cụ thiết kế và kỹ thuật để xây dựng các bản sao kỹ thuật số (digital twins) của cơ sở sản xuất. Việc này sẽ giảm chi phí và chuẩn hóa hoạt động mà không cần phải đóng cửa dây chuyền sản xuất.
GenAI sẽ giúp cho việc nghiên cứu và mua hàng của người tiêu dùng trở nên tương tác hơn. Từ các cấu hình ô tô và trực quan hoá 3D cho đến trình diễn thực tế tăng cường và lái thử ảo, người tiêu dùng sẽ có thể có trải nghiệm mua sắm hấp dẫn và thú vị hơn.
An toàn, tức là không tai nạn: Ngoài vòng đời sản phẩm ô tô, GenAI cũng sẽ tạo ra những đột phá trong quá trình phát triển xe tự hành (AV), bao gồm cả việc biến dữ liệu cảm biến được ghi lại thành các mô phỏng 3D tương tác đầy đủ. Những môi trường digital twin này cũng như tạo dữ liệu tổng hợp sẽ được được sử dụng để phát triển, thử nghiệm và xác thực AV một cách an toàn trên quy mô lớn trước khi chúng được triển khai trong thế giới thực.
Các mô hình nền tảng GenAI cũng sẽ hỗ trợ những hệ thống AI của xe để mang lại trải nghiệm, khả năng và tính năng an toàn mới được cá nhân hóa cho người dùng bên trong và bên ngoài xe.
Trải nghiệm lái xe được thiết lập để trở nên an toàn hơn, thông minh hơn và thú vị hơn.
11.
Xây dựng lại với GenAI: GenAI sẽ cho phép các tổ chức thiết kế ô tô chỉ bằng cách nói chuyện với một mô hình ngôn ngữ lớn hoặc tạo thành phố từ đầu bằng cách sử dụng các kỹ thuật và nguyên tắc thiết kế mới.
Ngành kiến trúc, kỹ thuật, xây dựng và vận hành (AECO) đang xây dựng tương lai bằng cách sử dụng GenAI làm kim chỉ nam. Hàng trăm công ty khởi nghiệp, khách hàng GenAI trong AECO và sản xuất sẽ tập trung vào việc tạo ra các giải pháp cho hầu hết mọi trường hợp sử dụng, bao gồm tối ưu hóa thiết kế, thông tin thị trường, quản lý xây dựng và dự đoán vật lý. AI sẽ đẩy nhanh quá trình phát triển sản xuất, hứa hẹn tăng hiệu quả, giảm chất thải và các phương pháp tiếp cận hoàn toàn mới đối với sản xuất và tính bền vững.
Các nhà phát triển và doanh nghiệp đang đặc biệt tập trung vào phân tích dữ liệu đám mây theo điểm – sử dụng lidar để tạo ra các đại diện về môi trường tự nhiên và công trình xây dựng với các chi tiết chính xác. Điều này có thể mang đến những hiểu biết và phân tích có độ chính xác cao thông qua các quy trình làm việc được tăng tốc bởi GenAI.
12.
Làn sóng AI kích thích nhu cầu kết nối: Sự tập trung đổi mới vào hiệu quả và hiệu suất mạng sẽ diễn ra khi các doanh nghiệp tìm kiếm băng thông mạng cần thiết cho điện toán tăng tốc – sử dụng GPU và hệ thống dựa trên GPU.
Những LLM có hàng nghìn tỷ tham số sẽ cho thấy nhu cầu về tốc độ truyền nhanh hơn và phạm vi phủ sóng cao hơn. Các doanh nghiệp muốn nhanh chóng triển khai các ứng dụng GenAI sẽ cần đầu tư vào công nghệ mạng tăng tốc hoặc chọn nhà cung cấp dịch vụ đám mây thực hiện điều đó. Chìa khóa để có được kết nối tối ưu là đưa nó vào các hệ thống full-stack kết hợp với phần cứng và phần mềm thế hệ tiếp theo.
Yếu tố xác định của thiết kế trung tâm dữ liệu (DC): Các doanh nghiệp sẽ hiểu rằng không phải tất cả các DC đều cần phải giống nhau. Xác định mục đích của DC là bước đầu tiên hướng tới việc chọn mạng thích hợp để sử dụng trong đó. Các DC truyền thống bị hạn chế về băng thông, trong khi những trung tâm có khả năng chạy các tác vụ AI lớn cần hàng nghìn GPU để hoạt động ở độ trễ thấp.
Khả năng của mạng khi ở mức đầy tải trên quy mô lớn là yếu tố quyết định quan trọng nhất đến hiệu suất. Tương lai của kết nối trung tâm dữ liệu doanh nghiệp yêu cầu các mạng quản lý riêng biệt (còn gọi là north-south) và AI (hay còn gọi là east-west), trong đó mạng AI bao gồm điện toán trong mạng (in-network computing) được thiết kế đặc biệt cho cơ sở hạ tầng điện toán hiệu suất cao, AI và hyperscale cloud.
13.
Sự rõ ràng trong việc điều chỉnh mô hình bảo mật đối với AI: Quá trình chuyển từ bảo mật lấy ứng dụng làm trung tâm sang bảo mật lấy dữ liệu làm trung tâm đang diễn ra mạnh mẽ. Dữ liệu là chuỗi cung ứng cơ bản cho các LLM và tương lai của GenAI. Các công ty sẽ cần đánh giá lại con người, quy trình và công nghệ để xác định lại vòng đời phát triển an toàn (SDLC). Ngành công nghiệp nói chung sẽ xác định lại cách tiếp cận để tin tưởng và làm rõ ý nghĩa của sự minh bạch.
Một thế hệ công cụ mạng mới sẽ ra đời. SDLC của AI sẽ được xác định bằng các công cụ và kỳ vọng dẫn đầu thị trường mới nhằm giải quyết quá trình chuyển đổi từ giao diện dòng lệnh sang giao diện ngôn ngữ của con người. Nhu cầu sẽ đặc biệt quan trọng khi ngày càng có nhiều doanh nghiệp chuyển sang sử dụng các LLM nguồn mở như Llama 2 của Meta để tăng tốc đầu ra GenAI.
Mở rộng quy mô bảo mật với AI: Ứng dụng AI vào tình trạng thiếu hụt an ninh mạng sẽ phát hiện các mối đe dọa chưa từng thấy trước đây. Hiện tại, một phần dữ liệu toàn cầu được sử dụng cho mục đích phòng thủ mạng. Trong khi đó, những kẻ tấn công tiếp tục lợi dụng mọi cấu hình sai.
Việc thử nghiệm sẽ giúp doanh nghiệp nhận ra tiềm năng của AI trong việc xác định các mối đe dọa và rủi ro mới nổi. Các copilot trên không gian mạng sẽ giúp người dùng doanh nghiệp điều hướng hành vi lừa đảo và cấu hình. Để công nghệ có hiệu quả, các công ty sẽ cần giải quyết các vấn đề về quyền riêng tư vốn có trong sự giao thoa giữa công việc và cuộc sống cá nhân để cho phép phòng thủ tập thể trong môi trường tập trung vào dữ liệu.
Cùng với việc đại chúng hóa hóa khả năng tiếp cận công nghệ, AI cũng sẽ tạo điều kiện cho một thế hệ bảo mật mạng mới khi các mối đe dọa tiếp tục gia tăng. Ngay khi các công ty hiểu rõ hơn về từng mối đe dọa, AI sẽ được sử dụng để tạo ra lượng dữ liệu khổng lồ giúp đào tạo các bộ phát hiện để bảo vệ và phát hiện những mối đe dọa này.
14.
Đến hoặc đi ra từ RAN: Dự kiến sẽ thấy được việc đánh giá lại sâu rộng về các trường hợp đầu tư cho 5G.
Sau 5 năm triển khai 5G, phạm vi phủ sóng và công suất mạng đã bùng nổ – nhưng tốc độ tăng trưởng doanh thu chậm chạp và chi phí cho hạ tầng phần lớn độc quyền và không linh hoạt đã tăng lên. Trong khi đó, mức sử dụng cho 5G RAN bị kẹt dưới 40%.
Năm mới sẽ là năm tích cực theo đuổi các nguồn doanh thu mới trên phổ tần hiện có để khám phá các ứng dụng mới có thể tạo ra doanh thu. Viễn thông cũng sẽ xem xét lại cấu trúc vốn đầu tư, tập trung nhiều hơn vào cơ sở hạ tầng linh hoạt, có hiệu suất sử dụng cao được xây dựng trên các thành phần có mục đích chung. Và kỳ vọng sẽ thấy chi phí hoạt động giảm toàn diện khi các công ty tận dụng các công cụ AI để tăng hiệu suất, nâng cao hiệu quả và loại bỏ chi phí. Kết quả của những sáng kiến này sẽ quyết định số lượng các nhà mạng sẽ đầu tư vào công nghệ 6G.
Từ chatbot đến quản lý mạng: Các công ty viễn thông đã sử dụng GenAI cho chatbot và trợ lý ảo để cải thiện dịch vụ và hỗ trợ khách hàng. Trong năm mới, họ sẽ tăng gấp đôi, tăng cường sử dụng GenAI để cải thiện hoạt động trong các lĩnh vực như lập kế hoạch và tối ưu hóa mạng, phát hiện lỗi và gian lận, phân tích dự đoán và bảo trì, vận hành an ninh mạng và tối ưu hóa năng lượng.
Với mức độ phổ biến và mang tính chiến lược của GenAI, việc xây dựng một loại hạ tầng nhà máy AI mới để hỗ trợ sự phát triển của nó cũng sẽ trở thành một mệnh lệnh quan trọng. Ngày càng có nhiều công ty viễn thông xây dựng các nhà máy AI để sử dụng nội bộ, cũng như triển khai các nhà máy này như một nền tảng dịch vụ cho các nhà phát triển. Cơ sở hạ tầng tương tự sẽ có thể hỗ trợ RAN với tư cách là khách hàng thuê bổ sung.
15.
Các dịch vụ tài chính dựa trên AI: Với những tiến bộ về AI ngày càng tăng theo cấp số nhân, các công ty dịch vụ tài chính sẽ mang sức mạnh tính toán vào dữ liệu thay vì theo những cách khác.
Các công ty sẽ trải qua sự thay đổi chiến lược hướng tới sự kết hợp lai, có khả năng mở rộng cao giữa cơ sở hạ tầng tại chỗ và điện toán dựa trên đám mây, do nhu cầu giảm thiểu rủi ro tập trung và duy trì tính linh hoạt trong bối cảnh những tiến bộ công nghệ nhanh chóng. Các công ty xử lý khối lượng công việc tối quan trọng nhất của họ, bao gồm trợ lý dịch vụ khách hàng, phát hiện gian lận, quản lý rủi ro được hỗ trợ bởi AI…, sẽ đi đầu.
16.
Physics-ML để mô phỏng nhanh hơn: Các công ty năng lượng sẽ ngày càng chuyển sang physics-informed ML (physics-ML) để tăng tốc mô phỏng, tối ưu hóa quy trình công nghiệp và nâng cao khả năng ra quyết định.
Physics-ML tích hợp các mô hình dựa trên vật lý truyền thống với các thuật toán ML tiên tiến, cung cấp một công cụ mạnh mẽ để mô phỏng nhanh chóng, chính xác các hiện tượng vật lý phức tạp. Ví dụ, trong thăm dò và sản xuất năng lượng, physics-ML có thể nhanh chóng lập mô hình địa chất dưới bề mặt để hỗ trợ xác định các địa điểm thăm dò tiềm năng và đánh giá rủi ro vận hành và môi trường.
Trong các lĩnh vực năng lượng tái tạo, như gió và mặt trời, physics-ML sẽ đóng một vai trò quan trọng trong việc bảo trì dự báo, cho phép các công ty năng lượng thấy trước các lỗi thiết bị và chủ động lên lịch bảo trì để giảm downtime và chi phí. Khi sức mạnh tính toán và tính sẵn có của dữ liệu tiếp tục tăng lên, physics-ML sẵn sàng thay đổi cách các công ty năng lượng tiếp cận các nhiệm vụ mô phỏng và mô hình hóa, dẫn đến sản xuất năng lượng hiệu quả và bền vững hơn.
LLMs – bản sửa lỗi để mang lại kết quả hoạt động tốt hơn: Kết hợp với physics-ML, các LLM sẽ phân tích dữ liệu lịch sử mở rộng và đầu vào cảm biến thời gian thực từ thiết bị năng lượng để dự đoán các nhu cầu hư hỏng và bảo trì tiềm ẩn trước khi chúng xảy ra. Cách tiếp cận chủ động này sẽ giảm downtime không mong muốn và kéo dài tuổi thọ của tua-bin, máy phát điện, tấm pin mặt trời và cơ sở hạ tầng quan trọng khác. LLM cũng sẽ giúp tối ưu hóa lịch trình bảo trì và phân bổ nguồn lực, đảm bảo việc sửa chữa và kiểm tra được thực hiện một cách hiệu quả. Cuối cùng, việc sử dụng LLM trong bảo trì dự đoán sẽ tiết kiệm chi phí cho các công ty năng lượng và góp phần cung cấp năng lượng ổn định hơn cho người tiêu dùng.
17.
Sự nổi lên của các lập trình viên chế tạo robot: LLM sẽ mang đến những cải tiến nhanh chóng cho các kỹ sư chế tạo robot. AI tạo sinh sẽ phát triển code cho robot và tạo ra các mô phỏng mới để kiểm tra và huấn luyện chúng.
LLM sẽ tăng tốc phát triển mô phỏng bằng cách tự động xây dựng các cảnh 3D, xây dựng môi trường và tạo nội dung từ đầu vào. Các asset mô phỏng thu được sẽ rất quan trọng đối với các quy trình công việc như tạo dữ liệu tổng hợp, đào tạo kỹ năng robot và thử nghiệm ứng dụng robot.
Ngoài việc giúp các kỹ sư chế tạo robot, các mô hình AI transformer engine đằng sau các LLM, sẽ giúp robot thông minh hơn để chúng hiểu rõ hơn về môi trường phức tạp và thực hiện hiệu quả hơn nhiều kỹ năng bên trong chúng.
Để ngành công nghiệp robot có thể mở rộng quy mô, robot phải trở nên có tính khái quát hơn – nghĩa là chúng cần tiếp thu các kỹ năng nhanh hơn hoặc đưa chúng đến những môi trường mới. Các mô hình GenAI – được đào tạo và thử nghiệm trong mô phỏng – sẽ là yếu tố then chốt trong nỗ lực tạo ra các robot mạnh mẽ hơn, linh hoạt hơn và dễ sử dụng hơn.
Nhất Tiến Chung (NTC) hiện là nhà cung cấp các giải pháp hạ tầng CNTT, Điện toán Hiệu năng cao (HPC) cho AI với kinh nghiệm kinh doanh phần cứng từ năm 2005. Chúng tôi là đối tác NPN cấp Elite (2022) chính thức của NVIDIA cho các hệ thống DGX (DGX A100, DGX Station A100) và hệ thống cụm siêu máy tính DGX SuperPOD với sức mạnh lưu trữ song song của DDN và kết nối mạng tốc độ cao từ hãng Mellanox (thuộc NVIDIA).
Bạn muốn trở thành đối tác bán hàng NVIDIA của NTC?
Bài viết liên quan
- GPUDirect RDMA là gì?
- GPUDirect Storage là gì?
- Hyperscale computing: Làm cách nào để đạt được năng lực điện toán quy mô lớn tốt hơn
- Máy chủ tăng tốc cho AI thúc đẩy tăng trưởng chi tiêu cho trung tâm dữ liệu
- Cluster Computing – Thế nào là điện toán cụm?
- Xây dựng hệ thống dữ liệu hiệu suất cao cho AI với VAST Data Platform