Vn-Z.vn Ngày 08 tháng 07 năm 2023, Tại sự kiện Hội nghị nhà phát triển Huawei 2023 diễn ra ngày hôm qua, Huawei đã triển khai sản phẩm của mình với sự kiêu hãnh. Sự kiện kéo dài gần ba giờ được Huawei dẫn dắt bằng phong cách đa dạng , khiến cho nhiều người tham gia cảm thấy rất choáng ngợp.
Sự kiện lần này, Huawei tập trung vào một chủ đề: mô hình AI PanGu 3.0.
Thực tế, chỉ cách đây vài ngày, khi các mô hình lớn khác vẫn đang so sánh các điểm đánh giá khác nhau, PanGu của Huawei được nhiều người chú ý khi xuất hiện và được chứng nhận bởi tạp chí danh tiếng hàng đầu thế giới về khoa học tự nhiên Nature.
Người ta nói rằng với sự kết hợp của mô hình trí thông minh nhân tạo PanGu, tốc độ dự báo thời tiết đã tăng lên hơn 10.000 lần, cho phép đưa ra kết quả chính xác chỉ trong vài giây. Hệ thống trang bị mô hình AI Pangu có thể dự báo vị trí bão ở đâu, xuất hiện và đến vào lúc nào , rời đi khi nào, tất cả đều được dự đoán với độ chính xác cao.
Quan trọng hơn cả, độ chính xác của dự báo vượt xa hệ thống IFS của Trung tâm Dự báo Thời tiết Trung hạn Châu Âu, được xem là mạnh nhất trên thế giới. Đây là sản phẩm dự báo AI đầu tiên đã đánh bại phương pháp dự báo số truyền thống.
Trong quá khứ, dự báo thời tiết AI thường được phát triển dựa trên mạng thần kinh 2D, nhưng thực tế là thời tiết quá phức tạp, 2D không đủ để xử lý. Hơn nữa, các mô hình AI trước đây sẽ tích lũy sai số trong quá trình dự báo, dễ ảnh hưởng đến độ chính xác của kết quả. Do đó, phương pháp dự báo AI luôn không được đánh giá cao.
Trước đây Deepmind AI thuộc viện nghiên cứu AI hàng đầu của Anh thuộc công ty mẹ Google Alphabet cũng từng xuất hiện vào năm 2021 với công nghệ AI dự báo chính xác thời điểm trời mưa. AI có thể dự đoán lượng mưa trong 1-2 giờ tới chính xác hơn so với các mô hình dự báo hiện có lúc bấy giờ.
vn-z.vn
Sự khác biệt của mô hình AI PanGu là sử dụng mạng thần kinh 3D được gọi là 3DEST để xử lý dữ liệu thời tiết, nếu 2D không đủ sức, hãy sử dụng 3D.
Mô hình Chiến lược suy luận và đào tạo mạng của 3DEST
Để giải quyết vấn đề sai số tích lũy trong quá trình dự báo, mô hình còn sử dụng "chiến lược tổng hợp thời gian phân cấp" để giảm thiểu sai số tích lũy và tăng độ chính xác của dự báo. Mặc dù cụm từ này có vẻ khá khó hiểu, nhưng nó thực sự rất đơn giản.
Chẳng hạn, mô hình dự báo thời tiết AI trước đây FourCastNet, trước khi bão đến, AI FourCastNet sẽ dự báo trước 6 giờ và trong 6 giờ đó, mô hình sẽ tính toán nhiều lần để xác định bão sẽ đến lúc nào.
Có thể tính được 5 giờ vào lúc này và 4 giờ 30 phút vào lúc khác, những kết quả này cộng lại sẽ tạo ra sai số lớn.
Tuy nhiên, mô hình lớn PanGu đã tìm ra cách giải quyết vấn đề này bằng cách huấn luyện 4 mô hình khác nhau với các khoảng thời gian dự báo khác nhau, bao gồm 1 giờ, 3 giờ, 6 giờ và 24 giờ với 1 lần lặp. Sau đó, tùy theo yêu cầu dự báo thời tiết cụ thể, chọn mô hình tương ứng để tính toán.
Ví dụ như nếu chúng ta muốn dự báo thời tiết của 7 ngày tiếp theo, chúng ta sẽ sử dụng mô hình có khoảng thời gian dự báo là 24 giờ và lặp lại quá trình dự báo này 7 lần.
Còn nếu muốn dự báo thời tiết của 20 giờ tiếp theo, chúng ta sẽ sử dụng mô hình có khoảng thời gian dự báo là 6 giờ và lặp lại quá trình dự báo này 3 lần, kết hợp với mô hình có khoảng thời gian dự báo là 1 giờ và lặp lại quá trình này 2 lần, số lần lặp lại càng ít, sai số càng nhỏ. Với phương pháp này, dự báo thời tiết đã đạt tới một tầm cao mới.
Tuy nhiên, có thể chúng tay sẽ thắc mắc rằng các mô hình lớn khác chỉ tạo ra hình ảnh và văn bản, tại sao lại có thể được sử dụng để dự báo thời tiết tại Huawei?
Thực tế là đúng như vậy, mô hình AI PanGu khác với các mô hình như ChatGPT hay Midjourney, Pangu được phát triển để áp dụng trong các ngành công nghiệp cụ thể, trong đó có dự báo thời tiết.
Mô hình AI PanGu không xác định đối thủ cạnh tranh là ChatGPT mà mô hình AI này được thiết kế để phục vụ cho thị trường B2B, được sử dụng trong các ngành công nghiệp cụ thể như dự báo thời tiết và nghiên cứu thuốc.
Dù cho việc áp dụng mô hình này có khó khăn hay không, nhưng tối thiểu thì Huawei đã sử dụng được các nguồn tài nguyên khách hàng trong suốt nhiều năm để tạo ra giá trị kinh doanh.
Ngoài ra, sự kiện nhà phát triển của Huawei còn mang đến nhiều sản phẩm khác như mô hình AI PanGu dùng để phát hiện thuốc chống khuẩn siêu cường Drug X, giúp rút ngắn thời gian nghiên cứu thuốc từ vài năm xuống còn vài tháng và giảm 70% chi phí nghiên cứu phát triển.
PanGu còn được sử dụng trong ngành khai thác mỏ, chẳng hạn như việc tối ưu hóa quá trình sản xuất than. Với mô hình lớn PanGu, các công nhân khai thác mỏ có thể phân tích và quản lý hơn 1000 quy trình sản xuất khác nhau. Ví dụ, trong quá trình khai thác than, việc chọn lựa than mịn là một trong những bước quan trọng nhất để tăng hiệu suất sản xuất. Các phương pháp truyền thống để phân loại than mịn có thể không chính xác và hiệu quả. Nhờ vào mô hình lớn PanGu, công nhân khai thác mỏ có thể sử dụng công nghệ AI để tăng độ chính xác và hiệu quả của quá trình phân loại than mịn, giúp tăng tỷ lệ thu hồi than mịn lên đến 0,1% đến 0,2%.
Con số tăng tỷ lệ thu hồi than mịn lên đến 0,1% đến 0,2% như được chỉ ra bởi mô hình lớn PanGu trong quá trình sản xuất than có thể mang lại lợi ích kinh tế đáng kể.
Ví dụ, một nhà máy sản xuất than có sản lượng 10 triệu tấn/năm, mỗi lần tăng thu hồi than mịn 0,1% sẽ tương đương với việc tăng sản lượng sản phẩm chất lượng cao lên 10.000 tấn/năm, và doanh thu thêm được khoảng 10 triệu USD/năm. Do đó, việc sử dụng mô hình lớn PanGu để tối ưu hóa quá trình sản xuất có thể giúp các doanh nghiệp cải thiện hiệu quả sản xuất và tăng lợi nhuận.
Việc áp dụng sử dụng mô hình lớn PanGu để tối ưu hóa các quy trình sản xuất có thể mang lại lợi ích kinh tế đáng kể cho các doanh nghiệp. Tuy nhiên, việc triển khai một mô hình lớn như thế này đòi hỏi đầu tư về cơ sở hạ tầng, kỹ thuật và đào tạo nhân lực và do đó có chi phí đầu tư ban đầu rất lớn.
Ông Tian Qi,, người đứng đầu dự án trí tuệ nhân tạo của Huawei Cloud cho biết tại sự kiện ra mắt mô hình lớn PanGu, Huawei đã triển khai trí tuệ nhân tạo trong hơn 1000 dự án khác nhau, trong đó có 30% được áp dụng trực tiếp vào các hệ thống sản xuất cốt lõi của khách hàng.
Theo ông Tian Qi, việc triển khai trí tuệ nhân tạo đã giúp các khách hàng của Huawei tăng năng suất sản xuất và cải thiện hiệu suất kinh doanh. Trung bình, việc triển khai trí tuệ nhân tạo đã giúp khách hàng tăng khả năng tạo lợi nhuận lên đến 18%.
Điều này cho thấy rằng, triển khai trí tuệ nhân tạo và mô hình lớn PanGu có thể mang lại lợi ích kinh tế đáng kể cho các doanh nghiệp, và là một trong những cách để thúc đẩy sự phát triển kinh tế và cải thiện chất lượng cuộc sống.
Để có thể phát triển và triển khai các mô hình lớn cho các ngành công nghiệp khác nhau, Huawei đã phát triển một kiến trúc 3 lớp 5+N+X cho mô hình lớn PanGu 3.0.
Kiến trúc này bao gồm 3 lớp: lớp dữ liệu, lớp mô hình và lớp ứng dụng. Lớp dữ liệu chứa các tập dữ liệu lớn được sử dụng để huấn luyện mô hình, lớp mô hình chứa các mô hình lớn được huấn luyện trên các tập dữ liệu này, và lớp ứng dụng sử dụng các mô hình này để giải quyết các vấn đề thực tế trong các ngành công nghiệp khác nhau.
Trong lớp mô hình, Huawei sử dụng một hệ thống 5+N+X, trong đó con số 5 đại diện cho 5 kiến trúc mô hình khác nhau, N đại diện cho các mô hình đặc thù của từng ngành công nghiệp và X đại diện cho các mô hình tùy chỉnh được phát triển cho từng khách hàng.
Nhờ có kiến trúc này, Huawei đã có thể phát triển và triển khai các mô hình lớn cho các ngành công nghiệp khác nhau, giúp cho các doanh nghiệp cải thiện hiệu suất sản xuất và tăng lợi nhuận của mình.
Kiến trúc 5+N+X của mô hình lớn PanGu 3.0 đã giúp cho việc triển khai trí tuệ nhân tạo trong các ngành công nghiệp trở nên dễ dàng hơn.
Một trong những thách thức lớn đối với việc triển khai trí tuệ nhân tạo trong các ngành công nghiệp là khó khăn trong việc thu thập dữ liệu. Thông thường, dữ liệu trong các ngành công nghiệp không được tổ chức một cách chuẩn mực và đồng bộ, và có thể phân tán trên nhiều nguồn khác nhau.
Tuy nhiên, kiến trúc 5+N+X của mô hình lớn PanGu 3.0 đã giải quyết vấn đề này bằng cách sử dụng các tập dữ liệu lớn đã được thu thập trước đó, bao gồm các tập dữ liệu văn bản và hình ảnh, để huấn luyện các mô hình lớn.
Với việc sử dụng các tập dữ liệu lớn này, mô hình lớn PanGu 3.0 đã học được nhiều kiến thức khác nhau và có thể áp dụng chúng vào các ngành công nghiệp khác nhau. Ngoài ra, kiến trúc 5+N+X cũng cho phép các mô hình tùy chỉnh được phát triển cho từng khách hàng cụ thể, giúp tăng tính ứng dụng của trí tuệ nhân tạo trong các ngành công nghiệp.
Ý tưởng của kiến trúc 5+N+X của mô hình lớn PanGu 3.0. trong đó L0 là tầng cơ bản của mô hình, gồm 5 mô hình lớn đại diện cho các lĩnh vực khác nhau bao gồm tự nhiên ngôn ngữ, thị giác, đa dạng hình thái, dự đoán và tính toán khoa học. Tầng này giúp mô hình lớn PanGu học được kiến thức cơ bản về các lĩnh vực khác nhau.
Tầng L1 là tầng chuyên môn, trong đó mỗi mô hình đại diện cho một lĩnh vực cụ thể và được huấn luyện trên tập dữ liệu liên quan đến lĩnh vực đó. L1 giúp mô hình lớn PanGu học được kiến thức về các lĩnh vực chuyên môn cụ thể và có thể áp dụng trí tuệ nhân tạo vào các ngành công nghiệp khác nhau.
Các tầng tiếp theo, L2 đến L5, là các tầng tùy chỉnh được phát triển cho từng khách hàng cụ thể. Tầng L2 là tầng ứng dụng, trong đó mô hình được tùy chỉnh để giải quyết các vấn đề cụ thể trong một ngành công nghiệp. Tầng L3 là tầng sản xuất, trong đó mô hình được triển khai trực tiếp vào quy trình sản xuất của khách hàng. Tầng L4 là tầng vận hành, trong đó mô hình được duy trì và cập nhật để đảm bảo hiệu suất cao nhất. Tầng L5 là tầng quản lý, trong đó mô hình được quản lý và theo dõi để đưa ra các quyết định và cải tiến.
Với kiến trúc 5+N+X, mô hình lớn PanGu có thể được tùy chỉnh cho từng ngành công nghiệp cụ thể bằng cách huấn luyện trên tập dữ liệu liên quan đến ngành đó. Ví dụ, trong ngành y tế, mô hình có thể được huấn luyện trên tập dữ liệu về hình ảnh y tế để phát hiện các bệnh lý và hỗ trợ cho việc chẩn đoán. Trong ngành sản xuất, mô hình có thể được huấn luyện trên tập dữ liệu về hình ảnh sản phẩm để phát hiện các lỗi sản xuất
Với tầng L2 của kiến trúc 5+N+X của mô hình lớn PanGu 3.0 là tầng ứng dụng, trong đó mô hình được tùy chỉnh cho từng ngành công nghiệp cụ thể và có thể được phát triển cho từng tình huống cụ thể trong ngành đó. Tầng L2 giống như giai đoạn nghiên cứu sau đại học, nơi sinh viên sẽ tập trung vào một lĩnh vực chuyên môn cụ thể và phát triển các kỹ năng chuyên môn cụ thể.
Việc thêm tầng phản hồi vào kiến trúc 5+N+X của mô hình lớn PanGu 3.0 giúp cho các doanh nghiệp có thể liên tục cập nhật và cải tiến mô hình để đáp ứng các yêu cầu trong sản xuất và kinh doanh. Qua đó, mô hình có thể được tìm hiểu và cải tiến dựa trên phản hồi từ người dùng và từ các tình huống cụ thể trong ngành công nghiệp.
Tầng L2 cũng giúp cho các doanh nghiệp có thể giảm thiểu thời gian và chi phí cho việc phát triển các mô hình lớn. Với việc sử dụng các tập dữ liệu liên quan đến ngành công nghiệp cụ thể, các doanh nghiệp có thể phát triển mô hình lớn nhanh hơn và có thể giải quyết các vấn đề kỹ thuật cụ thể trong ngành của họ.
Huawei đã đưa ra chiến lược quan trọng cho việc giải quyết vấn đề về cung cấp sức mạnh tính toán cho trí tuệ nhân tạo - đó là quá trình "công nghiệp hóa hóa AI" và "công nghiệp hóa hóa tính toán". Mục tiêu của chiến lược này là tạo ra hệ sinh thái tính toán toàn diện và độc lập, giúp cho ngành công nghiệp trí tuệ nhân tạo của Trung Quốc trở nên cạnh tranh hơn trên thị trường toàn cầu.
Trong đó, công nghiệp hóa hóa AI bao gồm việc phát triển các chip trí tuệ nhân tạo cấp cao, các giải pháp tích hợp và các nền tảng phần mềm, trong khi công nghiệp hóa hóa tính toán bao gồm việc phát triển các nền tảng tính toán cấp cao và các giải pháp tích hợp. Thông qua việc phát triển các giải pháp tích hợp, Huawei mong muốn giúp cho các doanh nghiệp có thể dễ dàng tích hợp các công nghệ trí tuệ nhân tạo vào các sản phẩm và dịch vụ của mình.
Tất cả những nỗ lực của Huawei trong việc công nghiệp hóa hóa AI và hóa tính toán đều nhằm tạo ra một hệ sinh thái tính toán độc lập và toàn diện, giúp cho ngành công nghiệp trí tuệ nhân tạo của Trung Quốc trở nên cạnh tranh hơn trên thị trường toàn cầu, đồng thời giúp cho các doanh nghiệp tại Trung Quốc tiếp cận với các công nghệ trí tuệ nhân tạo mới nhất và cải thiện hiệu suất sản xuất của họ.
Huawei đã phát triển chip trí tuệ nhân tạo Ascend 910, một chip được thiết kế để cung cấp hiệu suất tính toán cấp cao cho các ứng dụng trí tuệ nhân tạo. Trên giấy, Ascend 910 có khả năng tính toán đạt tới 256 teraflops, vượt trội hơn so với chip trí tuệ nhân tạo A100 của Nvidia.
Tuy nhiên, trong thực tế, hiệu suất của các chip này có thể khác nhau và phụ thuộc vào các yếu tố khác nhau, bao gồm cách tính toán, khả năng tương thích với các phần mềm và hệ thống, và nhiều yếu tố khác.
Ngoài ra, Nvidia cũng có các sản phẩm khác như chip trí tuệ nhân tạo TPU và Jetson Nano, và công ty này cũng đang phát triển các sản phẩm mới như chip Grace cho các ứng dụng máy tính công nghiệp và trí tuệ nhân tạo.
Vì vậy, trong cuộc đua tính toán trí tuệ nhân tạo, nhiều nhà sản xuất đã đưa ra nhiều sản phẩm và giải pháp khác nhau để cung cấp sức mạnh tính toán cho các ứng dụng trí tuệ nhân tạo, và việc lựa chọn sản phẩm thích hợp phụ thuộc vào nhu cầu và yêu cầu của từng doanh nghiệp cụ thể.
Huawei đã nhận được sự công nhận của nhiều đối tác và khách hàng về hiệu suất của chip trí tuệ nhân tạo Ascend. Trong một bài phát biểu tại sự kiện Huawei Connect 2021, Huawei cho biết rằng "trong nửa số các trường hợp, Ascend đã được lựa chọn để cung cấp sức mạnh tính toán cho các ứng dụng trí tuệ nhân tạo tại các doanh nghiệp tại Trung Quốc".
Ngoài ra, Huawei cũng đã ký kết các thỏa thuận với nhiều đối tác trong ngành công nghiệp trí tuệ nhân tạo, bao gồm các công ty lớn như Tencent, Alibaba và Baidu. Những đối tác này đã chọn sử dụng các sản phẩm và giải pháp của Huawei để cải thiện hiệu suất của các ứng dụng trí tuệ nhân tạo của họ.
Huawei đã tập trung phát triển một hệ sinh thái tính toán và phần mềm trí tuệ nhân tạo đầy đủ để hỗ trợ cho các ứng dụng trí tuệ nhân tạo của khách hàng. Điều này cho phép khách hàng của Huawei sử dụng các sản phẩm và giải pháp của công ty để tối đa hóa hiệu suất và hiệu quả của các ứng dụng trí tuệ nhân tạo của họ.
Ví dụ, Huawei đã phát triển nền tảng tính toán trí tuệ nhân tạo CANN (Ascend Compute Architecture for Neural Networks), giúp cho các khách hàng của công ty có thể đơn giản hóa quá trình phát triển và triển khai các ứng dụng trí tuệ nhân tạo.
Huawei cũng phát triển một bộ đầy đủ các gói ứng dụng cho người dùng. Những giải pháp này bao gồm các ứng dụng và hệ thống được tối ưu hóa để hoạt động tốt trên các sản phẩm tính toán trí tuệ nhân tạo của Huawei.
Ví dụ, Huawei đã phát triển một số giải pháp tính toán và phần mềm trí tuệ nhân tạo được gói gọn trong các ứng dụng như ModelArts, Atlas và MindSpore. ModelArts là một nền tảng tích hợp hoàn chỉnh để phát triển, triển khai và quản lý các ứng dụng trí tuệ nhân tạo. Atlas cung cấp các giải pháp tính toán trí tuệ nhân tạo để sử dụng trên các thiết bị di động và các hệ thống tính toán IoT. MindSpore là một khung phần mềm trí tuệ nhân tạo mới được phát triển bởi Huawei, cho phép các nhà phát triển xây dựng các mô hình trí tuệ nhân tạo một cách nhanh chóng và hiệu quả trên các thiết bị của Huawei.
Hay như trường hợp của công ty Meitu, một công ty chuyên về chỉnh sửa ảnh và video, đã thành công trong việc chuyển đổi các mô hình trí tuệ nhân tạo của mình từ các nền tảng khác sang nền tảng của Huawei trong vòng 30 ngày.
Ngoài ra, Huawei cũng cho biết rằng họ đã có gần 4 triệu nhà phát triển sử dụng các sản phẩm và giải pháp của mình, tương đương với số lượng nhà phát triển sử dụng CUDA của Nvidia. Điều này cho thấy rằng Huawei đã đạt được một sự tiến bộ đáng kể trong việc xây dựng một hệ sinh thái tính toán trí tuệ nhân tạo đầy đủ và hỗ trợ cho các ứng dụng trí tuệ nhân tạo của khách hàng của mình.
Đúng vậy, Huawei đã có một sự tiến bộ đáng kể trong việc xây dựng hệ sinh thái tính toán và phần mềm trí tuệ nhân tạo đầy đủ và hỗ trợ cho các ứng dụng trí tuệ nhân tạo của khách hàng của mình. Việc này cho thấy rằng Huawei đã đưa ra một chiến lược để tối đa hóa tiềm năng của trí tuệ nhân tạo trong các lĩnh vực công nghiệp và nông nghiệp.
Tuy nhiên, chỉ có khoảng 2% đóng góp trực tiếp của công nghệ trí tuệ nhân tạo cho xã hội, trong khi có tới 98% đóng góp của công nghệ này cho các lĩnh vực công nghiệp và nông nghiệp. Do đó, những công ty như Huawei cần phải tập trung vào việc phát triển các giải pháp trí tuệ nhân tạo để tối đa hóa hiệu quả của công nghệ này trong các lĩnh vực này.
Trong tương lai, trí tuệ nhân tạo có thể sẽ ngày càng được ứng dụng rộng rãi trong các lĩnh vực khác nhau, và các công ty như Huawei sẽ đóng vai trò quan trọng trong việc phát triển các giải pháp trí tuệ nhân tạo để tối đa hóa tiềm năng của công nghệ này.
Sự kiện lần này, Huawei tập trung vào một chủ đề: mô hình AI PanGu 3.0.
Thực tế, chỉ cách đây vài ngày, khi các mô hình lớn khác vẫn đang so sánh các điểm đánh giá khác nhau, PanGu của Huawei được nhiều người chú ý khi xuất hiện và được chứng nhận bởi tạp chí danh tiếng hàng đầu thế giới về khoa học tự nhiên Nature.
Người ta nói rằng với sự kết hợp của mô hình trí thông minh nhân tạo PanGu, tốc độ dự báo thời tiết đã tăng lên hơn 10.000 lần, cho phép đưa ra kết quả chính xác chỉ trong vài giây. Hệ thống trang bị mô hình AI Pangu có thể dự báo vị trí bão ở đâu, xuất hiện và đến vào lúc nào , rời đi khi nào, tất cả đều được dự đoán với độ chính xác cao.
Quan trọng hơn cả, độ chính xác của dự báo vượt xa hệ thống IFS của Trung tâm Dự báo Thời tiết Trung hạn Châu Âu, được xem là mạnh nhất trên thế giới. Đây là sản phẩm dự báo AI đầu tiên đã đánh bại phương pháp dự báo số truyền thống.
Trong quá khứ, dự báo thời tiết AI thường được phát triển dựa trên mạng thần kinh 2D, nhưng thực tế là thời tiết quá phức tạp, 2D không đủ để xử lý. Hơn nữa, các mô hình AI trước đây sẽ tích lũy sai số trong quá trình dự báo, dễ ảnh hưởng đến độ chính xác của kết quả. Do đó, phương pháp dự báo AI luôn không được đánh giá cao.
Trước đây Deepmind AI thuộc viện nghiên cứu AI hàng đầu của Anh thuộc công ty mẹ Google Alphabet cũng từng xuất hiện vào năm 2021 với công nghệ AI dự báo chính xác thời điểm trời mưa. AI có thể dự đoán lượng mưa trong 1-2 giờ tới chính xác hơn so với các mô hình dự báo hiện có lúc bấy giờ.
DeepMind AI dự báo thời tiết và lượng mưa chính xác trong 1-2 giờ
Vn-Z.vn Ngày 30 tháng 09 năm 2021, DeepMind, viện nghiên cứu AI hàng đầu của Anh thuộc công ty mẹ Google Alphabet, đã quay trở lại . Lần này, DeepMind tập trung vào thách thức lớn bằng công trình dự báo thời tiết, đồng thời hợp tác với Văn phòng Khí tượng Anh đưa ứng dụng AI để dự đoán lượng...
vn-z.vn
Sự khác biệt của mô hình AI PanGu là sử dụng mạng thần kinh 3D được gọi là 3DEST để xử lý dữ liệu thời tiết, nếu 2D không đủ sức, hãy sử dụng 3D.
Mô hình Chiến lược suy luận và đào tạo mạng của 3DEST
Để giải quyết vấn đề sai số tích lũy trong quá trình dự báo, mô hình còn sử dụng "chiến lược tổng hợp thời gian phân cấp" để giảm thiểu sai số tích lũy và tăng độ chính xác của dự báo. Mặc dù cụm từ này có vẻ khá khó hiểu, nhưng nó thực sự rất đơn giản.
Chẳng hạn, mô hình dự báo thời tiết AI trước đây FourCastNet, trước khi bão đến, AI FourCastNet sẽ dự báo trước 6 giờ và trong 6 giờ đó, mô hình sẽ tính toán nhiều lần để xác định bão sẽ đến lúc nào.
Có thể tính được 5 giờ vào lúc này và 4 giờ 30 phút vào lúc khác, những kết quả này cộng lại sẽ tạo ra sai số lớn.
Tuy nhiên, mô hình lớn PanGu đã tìm ra cách giải quyết vấn đề này bằng cách huấn luyện 4 mô hình khác nhau với các khoảng thời gian dự báo khác nhau, bao gồm 1 giờ, 3 giờ, 6 giờ và 24 giờ với 1 lần lặp. Sau đó, tùy theo yêu cầu dự báo thời tiết cụ thể, chọn mô hình tương ứng để tính toán.
Ví dụ như nếu chúng ta muốn dự báo thời tiết của 7 ngày tiếp theo, chúng ta sẽ sử dụng mô hình có khoảng thời gian dự báo là 24 giờ và lặp lại quá trình dự báo này 7 lần.
Còn nếu muốn dự báo thời tiết của 20 giờ tiếp theo, chúng ta sẽ sử dụng mô hình có khoảng thời gian dự báo là 6 giờ và lặp lại quá trình dự báo này 3 lần, kết hợp với mô hình có khoảng thời gian dự báo là 1 giờ và lặp lại quá trình này 2 lần, số lần lặp lại càng ít, sai số càng nhỏ. Với phương pháp này, dự báo thời tiết đã đạt tới một tầm cao mới.
Tuy nhiên, có thể chúng tay sẽ thắc mắc rằng các mô hình lớn khác chỉ tạo ra hình ảnh và văn bản, tại sao lại có thể được sử dụng để dự báo thời tiết tại Huawei?
Thực tế là đúng như vậy, mô hình AI PanGu khác với các mô hình như ChatGPT hay Midjourney, Pangu được phát triển để áp dụng trong các ngành công nghiệp cụ thể, trong đó có dự báo thời tiết.
Mô hình AI PanGu không xác định đối thủ cạnh tranh là ChatGPT mà mô hình AI này được thiết kế để phục vụ cho thị trường B2B, được sử dụng trong các ngành công nghiệp cụ thể như dự báo thời tiết và nghiên cứu thuốc.
Dù cho việc áp dụng mô hình này có khó khăn hay không, nhưng tối thiểu thì Huawei đã sử dụng được các nguồn tài nguyên khách hàng trong suốt nhiều năm để tạo ra giá trị kinh doanh.
PanGu còn được sử dụng trong ngành khai thác mỏ, chẳng hạn như việc tối ưu hóa quá trình sản xuất than. Với mô hình lớn PanGu, các công nhân khai thác mỏ có thể phân tích và quản lý hơn 1000 quy trình sản xuất khác nhau. Ví dụ, trong quá trình khai thác than, việc chọn lựa than mịn là một trong những bước quan trọng nhất để tăng hiệu suất sản xuất. Các phương pháp truyền thống để phân loại than mịn có thể không chính xác và hiệu quả. Nhờ vào mô hình lớn PanGu, công nhân khai thác mỏ có thể sử dụng công nghệ AI để tăng độ chính xác và hiệu quả của quá trình phân loại than mịn, giúp tăng tỷ lệ thu hồi than mịn lên đến 0,1% đến 0,2%.
Con số tăng tỷ lệ thu hồi than mịn lên đến 0,1% đến 0,2% như được chỉ ra bởi mô hình lớn PanGu trong quá trình sản xuất than có thể mang lại lợi ích kinh tế đáng kể.
Ví dụ, một nhà máy sản xuất than có sản lượng 10 triệu tấn/năm, mỗi lần tăng thu hồi than mịn 0,1% sẽ tương đương với việc tăng sản lượng sản phẩm chất lượng cao lên 10.000 tấn/năm, và doanh thu thêm được khoảng 10 triệu USD/năm. Do đó, việc sử dụng mô hình lớn PanGu để tối ưu hóa quá trình sản xuất có thể giúp các doanh nghiệp cải thiện hiệu quả sản xuất và tăng lợi nhuận.
Việc áp dụng sử dụng mô hình lớn PanGu để tối ưu hóa các quy trình sản xuất có thể mang lại lợi ích kinh tế đáng kể cho các doanh nghiệp. Tuy nhiên, việc triển khai một mô hình lớn như thế này đòi hỏi đầu tư về cơ sở hạ tầng, kỹ thuật và đào tạo nhân lực và do đó có chi phí đầu tư ban đầu rất lớn.
Ông Tian Qi,, người đứng đầu dự án trí tuệ nhân tạo của Huawei Cloud cho biết tại sự kiện ra mắt mô hình lớn PanGu, Huawei đã triển khai trí tuệ nhân tạo trong hơn 1000 dự án khác nhau, trong đó có 30% được áp dụng trực tiếp vào các hệ thống sản xuất cốt lõi của khách hàng.
Theo ông Tian Qi, việc triển khai trí tuệ nhân tạo đã giúp các khách hàng của Huawei tăng năng suất sản xuất và cải thiện hiệu suất kinh doanh. Trung bình, việc triển khai trí tuệ nhân tạo đã giúp khách hàng tăng khả năng tạo lợi nhuận lên đến 18%.
Điều này cho thấy rằng, triển khai trí tuệ nhân tạo và mô hình lớn PanGu có thể mang lại lợi ích kinh tế đáng kể cho các doanh nghiệp, và là một trong những cách để thúc đẩy sự phát triển kinh tế và cải thiện chất lượng cuộc sống.
Kiến trúc này bao gồm 3 lớp: lớp dữ liệu, lớp mô hình và lớp ứng dụng. Lớp dữ liệu chứa các tập dữ liệu lớn được sử dụng để huấn luyện mô hình, lớp mô hình chứa các mô hình lớn được huấn luyện trên các tập dữ liệu này, và lớp ứng dụng sử dụng các mô hình này để giải quyết các vấn đề thực tế trong các ngành công nghiệp khác nhau.
Trong lớp mô hình, Huawei sử dụng một hệ thống 5+N+X, trong đó con số 5 đại diện cho 5 kiến trúc mô hình khác nhau, N đại diện cho các mô hình đặc thù của từng ngành công nghiệp và X đại diện cho các mô hình tùy chỉnh được phát triển cho từng khách hàng.
Nhờ có kiến trúc này, Huawei đã có thể phát triển và triển khai các mô hình lớn cho các ngành công nghiệp khác nhau, giúp cho các doanh nghiệp cải thiện hiệu suất sản xuất và tăng lợi nhuận của mình.
Kiến trúc 5+N+X của mô hình lớn PanGu 3.0 đã giúp cho việc triển khai trí tuệ nhân tạo trong các ngành công nghiệp trở nên dễ dàng hơn.
Một trong những thách thức lớn đối với việc triển khai trí tuệ nhân tạo trong các ngành công nghiệp là khó khăn trong việc thu thập dữ liệu. Thông thường, dữ liệu trong các ngành công nghiệp không được tổ chức một cách chuẩn mực và đồng bộ, và có thể phân tán trên nhiều nguồn khác nhau.
Tuy nhiên, kiến trúc 5+N+X của mô hình lớn PanGu 3.0 đã giải quyết vấn đề này bằng cách sử dụng các tập dữ liệu lớn đã được thu thập trước đó, bao gồm các tập dữ liệu văn bản và hình ảnh, để huấn luyện các mô hình lớn.
Với việc sử dụng các tập dữ liệu lớn này, mô hình lớn PanGu 3.0 đã học được nhiều kiến thức khác nhau và có thể áp dụng chúng vào các ngành công nghiệp khác nhau. Ngoài ra, kiến trúc 5+N+X cũng cho phép các mô hình tùy chỉnh được phát triển cho từng khách hàng cụ thể, giúp tăng tính ứng dụng của trí tuệ nhân tạo trong các ngành công nghiệp.
Ý tưởng của kiến trúc 5+N+X của mô hình lớn PanGu 3.0. trong đó L0 là tầng cơ bản của mô hình, gồm 5 mô hình lớn đại diện cho các lĩnh vực khác nhau bao gồm tự nhiên ngôn ngữ, thị giác, đa dạng hình thái, dự đoán và tính toán khoa học. Tầng này giúp mô hình lớn PanGu học được kiến thức cơ bản về các lĩnh vực khác nhau.
Tầng L1 là tầng chuyên môn, trong đó mỗi mô hình đại diện cho một lĩnh vực cụ thể và được huấn luyện trên tập dữ liệu liên quan đến lĩnh vực đó. L1 giúp mô hình lớn PanGu học được kiến thức về các lĩnh vực chuyên môn cụ thể và có thể áp dụng trí tuệ nhân tạo vào các ngành công nghiệp khác nhau.
Các tầng tiếp theo, L2 đến L5, là các tầng tùy chỉnh được phát triển cho từng khách hàng cụ thể. Tầng L2 là tầng ứng dụng, trong đó mô hình được tùy chỉnh để giải quyết các vấn đề cụ thể trong một ngành công nghiệp. Tầng L3 là tầng sản xuất, trong đó mô hình được triển khai trực tiếp vào quy trình sản xuất của khách hàng. Tầng L4 là tầng vận hành, trong đó mô hình được duy trì và cập nhật để đảm bảo hiệu suất cao nhất. Tầng L5 là tầng quản lý, trong đó mô hình được quản lý và theo dõi để đưa ra các quyết định và cải tiến.
Với tầng L2 của kiến trúc 5+N+X của mô hình lớn PanGu 3.0 là tầng ứng dụng, trong đó mô hình được tùy chỉnh cho từng ngành công nghiệp cụ thể và có thể được phát triển cho từng tình huống cụ thể trong ngành đó. Tầng L2 giống như giai đoạn nghiên cứu sau đại học, nơi sinh viên sẽ tập trung vào một lĩnh vực chuyên môn cụ thể và phát triển các kỹ năng chuyên môn cụ thể.
Việc thêm tầng phản hồi vào kiến trúc 5+N+X của mô hình lớn PanGu 3.0 giúp cho các doanh nghiệp có thể liên tục cập nhật và cải tiến mô hình để đáp ứng các yêu cầu trong sản xuất và kinh doanh. Qua đó, mô hình có thể được tìm hiểu và cải tiến dựa trên phản hồi từ người dùng và từ các tình huống cụ thể trong ngành công nghiệp.
Tầng L2 cũng giúp cho các doanh nghiệp có thể giảm thiểu thời gian và chi phí cho việc phát triển các mô hình lớn. Với việc sử dụng các tập dữ liệu liên quan đến ngành công nghiệp cụ thể, các doanh nghiệp có thể phát triển mô hình lớn nhanh hơn và có thể giải quyết các vấn đề kỹ thuật cụ thể trong ngành của họ.
Huawei đã đưa ra chiến lược quan trọng cho việc giải quyết vấn đề về cung cấp sức mạnh tính toán cho trí tuệ nhân tạo - đó là quá trình "công nghiệp hóa hóa AI" và "công nghiệp hóa hóa tính toán". Mục tiêu của chiến lược này là tạo ra hệ sinh thái tính toán toàn diện và độc lập, giúp cho ngành công nghiệp trí tuệ nhân tạo của Trung Quốc trở nên cạnh tranh hơn trên thị trường toàn cầu.
Trong đó, công nghiệp hóa hóa AI bao gồm việc phát triển các chip trí tuệ nhân tạo cấp cao, các giải pháp tích hợp và các nền tảng phần mềm, trong khi công nghiệp hóa hóa tính toán bao gồm việc phát triển các nền tảng tính toán cấp cao và các giải pháp tích hợp. Thông qua việc phát triển các giải pháp tích hợp, Huawei mong muốn giúp cho các doanh nghiệp có thể dễ dàng tích hợp các công nghệ trí tuệ nhân tạo vào các sản phẩm và dịch vụ của mình.
Tất cả những nỗ lực của Huawei trong việc công nghiệp hóa hóa AI và hóa tính toán đều nhằm tạo ra một hệ sinh thái tính toán độc lập và toàn diện, giúp cho ngành công nghiệp trí tuệ nhân tạo của Trung Quốc trở nên cạnh tranh hơn trên thị trường toàn cầu, đồng thời giúp cho các doanh nghiệp tại Trung Quốc tiếp cận với các công nghệ trí tuệ nhân tạo mới nhất và cải thiện hiệu suất sản xuất của họ.
Huawei đã phát triển chip trí tuệ nhân tạo Ascend 910, một chip được thiết kế để cung cấp hiệu suất tính toán cấp cao cho các ứng dụng trí tuệ nhân tạo. Trên giấy, Ascend 910 có khả năng tính toán đạt tới 256 teraflops, vượt trội hơn so với chip trí tuệ nhân tạo A100 của Nvidia.
Ngoài ra, Nvidia cũng có các sản phẩm khác như chip trí tuệ nhân tạo TPU và Jetson Nano, và công ty này cũng đang phát triển các sản phẩm mới như chip Grace cho các ứng dụng máy tính công nghiệp và trí tuệ nhân tạo.
Vì vậy, trong cuộc đua tính toán trí tuệ nhân tạo, nhiều nhà sản xuất đã đưa ra nhiều sản phẩm và giải pháp khác nhau để cung cấp sức mạnh tính toán cho các ứng dụng trí tuệ nhân tạo, và việc lựa chọn sản phẩm thích hợp phụ thuộc vào nhu cầu và yêu cầu của từng doanh nghiệp cụ thể.
Huawei đã nhận được sự công nhận của nhiều đối tác và khách hàng về hiệu suất của chip trí tuệ nhân tạo Ascend. Trong một bài phát biểu tại sự kiện Huawei Connect 2021, Huawei cho biết rằng "trong nửa số các trường hợp, Ascend đã được lựa chọn để cung cấp sức mạnh tính toán cho các ứng dụng trí tuệ nhân tạo tại các doanh nghiệp tại Trung Quốc".
Huawei đã tập trung phát triển một hệ sinh thái tính toán và phần mềm trí tuệ nhân tạo đầy đủ để hỗ trợ cho các ứng dụng trí tuệ nhân tạo của khách hàng. Điều này cho phép khách hàng của Huawei sử dụng các sản phẩm và giải pháp của công ty để tối đa hóa hiệu suất và hiệu quả của các ứng dụng trí tuệ nhân tạo của họ.
Huawei cũng phát triển một bộ đầy đủ các gói ứng dụng cho người dùng. Những giải pháp này bao gồm các ứng dụng và hệ thống được tối ưu hóa để hoạt động tốt trên các sản phẩm tính toán trí tuệ nhân tạo của Huawei.
Ví dụ, Huawei đã phát triển một số giải pháp tính toán và phần mềm trí tuệ nhân tạo được gói gọn trong các ứng dụng như ModelArts, Atlas và MindSpore. ModelArts là một nền tảng tích hợp hoàn chỉnh để phát triển, triển khai và quản lý các ứng dụng trí tuệ nhân tạo. Atlas cung cấp các giải pháp tính toán trí tuệ nhân tạo để sử dụng trên các thiết bị di động và các hệ thống tính toán IoT. MindSpore là một khung phần mềm trí tuệ nhân tạo mới được phát triển bởi Huawei, cho phép các nhà phát triển xây dựng các mô hình trí tuệ nhân tạo một cách nhanh chóng và hiệu quả trên các thiết bị của Huawei.
Hay như trường hợp của công ty Meitu, một công ty chuyên về chỉnh sửa ảnh và video, đã thành công trong việc chuyển đổi các mô hình trí tuệ nhân tạo của mình từ các nền tảng khác sang nền tảng của Huawei trong vòng 30 ngày.
Đúng vậy, Huawei đã có một sự tiến bộ đáng kể trong việc xây dựng hệ sinh thái tính toán và phần mềm trí tuệ nhân tạo đầy đủ và hỗ trợ cho các ứng dụng trí tuệ nhân tạo của khách hàng của mình. Việc này cho thấy rằng Huawei đã đưa ra một chiến lược để tối đa hóa tiềm năng của trí tuệ nhân tạo trong các lĩnh vực công nghiệp và nông nghiệp.
Tuy nhiên, chỉ có khoảng 2% đóng góp trực tiếp của công nghệ trí tuệ nhân tạo cho xã hội, trong khi có tới 98% đóng góp của công nghệ này cho các lĩnh vực công nghiệp và nông nghiệp. Do đó, những công ty như Huawei cần phải tập trung vào việc phát triển các giải pháp trí tuệ nhân tạo để tối đa hóa hiệu quả của công nghệ này trong các lĩnh vực này.
Trong tương lai, trí tuệ nhân tạo có thể sẽ ngày càng được ứng dụng rộng rãi trong các lĩnh vực khác nhau, và các công ty như Huawei sẽ đóng vai trò quan trọng trong việc phát triển các giải pháp trí tuệ nhân tạo để tối đa hóa tiềm năng của công nghệ này.
