Vina Technology at AI time - Công nghệ Việt Nam thời AI

A Natural-Gas Billionaire Bets on Greener Fossil Fuel By Benoît Morenne. WSJ. June 6, 2024. Danny Rice helped build one of the largest natural-gas producers in the U.S. and became a billionaire. In his newest venture, he is still betting on natural gas—but this time as part of an unusual process that aims to clean up gas-fired power generation. Traditional gas power plants spit CO2 out of exhaust stacks, contributing to global warming. NET Power, a company that Rice took public in 2023 in a $1.5 billion SPAC deal, has developed a gas plant with a different process, using the carbon dioxide it produces to spin a turbine and create electricity—a technology it says will eliminate almost all CO2 emissions. A move toward renewable power sources reinforces the need for natural gas, Rice argues, as wind and solar can’t crank out energy around the clock. NET Power, he says, aims to offer utility companies an affordable way to make the grid carbon-free. “It’s a whole lot easier, and a whole lot safer, to try to find ways to decarbonize fossil fuels than it is to move away from them,” says Rice, who is NET Power’s chief executive. The 43-year-old, who lives in Dallas, has taken four energy companies public, and sold two of them for a total of $10 billion, excluding debt. NET Power is backed by heavyweight investors including Houston-based oil giant Occidental Petroleum, which owns about 47% of the company. Rice plans to capitalize on President Biden’s signature climate law, which includes billions of dollars in subsidies for capturing and storing CO2 emissions. NET Power’s technology has yet to be proven at scale, and the first plants will be much pricier to construct than traditional gas-fired plants. Still, utilities warn that ballooning power demand from data centers and other industries will require more gas generation to complement renewables. “We are going to need to address the emissions from gas,” says Dan Bakal, a senior program director at environmental nonprofit Ceres. “If NET Power can deliver a solution that’s cost-effective, there will be a market for it.” Sporting a stubble, Rice stands out among often gray-haired oil-and-gas tycoons. He says he enjoys staying at home with his two young daughters and doing jigsaw puzzles with his wife. The couple married in 2007 in Las Vegas, two weeks after they met at a Houston country-music bar. He is quick to highlight unorthodox achievements, such as winning a hot-dog eating competition hosted by Rice Energy, the gas producer he once ran. But his self-deprecating style belies an ambition to remake the world of energy. “He’s a new generation, and he’s a new kind of cat,” says Maynard Holt, the founder and CEO of energy research and investment firm Veriten, which isn’t invested in NET Power. Rice’s entrepreneurial bent can be traced back to his mother, who ran food businesses near Boston and raised him and two younger brothers after a divorce. After earning a Bachelor of Science in finance at Bryant University in Rhode Island, Rice worked in Houston as an oil-and-gas analyst, before moving to western Pennsylvania in 2008 to help his two brothers start Rice Energy. With a $5 million loan from their father, a BlackRock energy-fund manager, the Rices leased land around Pittsburgh and drilled a first well. They were soon drilling for huge volumes of gas and taking the company public, with 33-year-old Danny Rice as CEO. Rice and his brothers worked grueling hours, blowing off steam by riding electric scooters in their Pittsburgh office. “I’d be telling him, ‘Let’s go celebrate and have a drink,’ and he’d say, ‘No, let’s go work on the next piece,’” says his brother Toby Rice, who was the company’s chief operating officer at the time. Eventually, Danny convinced his family—including brother Derek Rice, who served as Rice Energy’s executive vice president of exploration—to sell the company. In 2017, they struck a $6.7 billion stock-and-cash deal for a sale to EQT, an Appalachian rival where

Một Tỷ Phú Khí Đốt Đặt Cược Vào Nhiên Liệu Hóa Thạch Xanh Hơn Tác giả: Benoît Morenne. The Wall Street Journal. Ngày 6 tháng 6, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Danny Rice đã giúp xây dựng một trong những nhà sản xuất khí đốt tự nhiên lớn nhất tại Hoa Kỳ và trở thành tỷ phú. Trong dự án mới nhất của mình, ông vẫn đặt cược vào khí đốt tự nhiên - nhưng lần này là một quy trình đặc biệt nhằm làm sạch việc phát điện bằng khí đốt. Các nhà máy điện khí truyền thống thải CO2 ra từ các ống xả, góp phần vào sự nóng lên toàn cầu. NET Power, một công ty mà Rice đã đưa ra công chúng vào năm 2023 trong một thỏa thuận SPAC trị giá 1,5 tỷ đô la, đã phát triển một nhà máy điện khí với quy trình khác, sử dụng CO2 mà nó sản xuất để quay tua-bin và tạo ra điện - một công nghệ mà họ cho rằng sẽ loại bỏ gần như toàn bộ lượng khí thải CO2. Rice cho rằng sự chuyển hướng sang các nguồn năng lượng tái tạo củng cố nhu cầu về khí đốt tự nhiên, vì gió và mặt trời không thể tạo ra năng lượng suốt ngày đêm. NET Power, ông nói, nhằm cung cấp cho các công ty tiện ích một cách hợp lý để làm cho lưới điện không phát thải carbon. “Thật dễ dàng hơn rất nhiều, và an toàn hơn rất nhiều, để tìm cách khử carbon cho nhiên liệu hóa thạch hơn là di chuyển khỏi chúng,” Rice, CEO của NET Power, nói. Người đàn ông 43 tuổi, sống ở Dallas, đã đưa bốn công ty năng lượng ra công chúng và bán hai trong số đó với tổng số tiền 10 tỷ đô la, chưa tính nợ. NET Power được hậu thuẫn bởi các nhà đầu tư lớn bao gồm tập đoàn dầu mỏ Occidental Petroleum, sở hữu khoảng 47% công ty. Rice dự định tận dụng luật khí hậu quan trọng của Tổng thống Biden, bao gồm hàng tỷ đô la trợ cấp cho việc thu giữ và lưu trữ khí thải CO2. Công nghệ của NET Power chưa được chứng minh ở quy mô lớn, và các nhà máy đầu tiên sẽ đắt hơn nhiều so với các nhà máy điện khí truyền thống. Tuy nhiên, các công ty tiện ích cảnh báo rằng nhu cầu điện tăng vọt từ các trung tâm dữ liệu và các ngành công nghiệp khác sẽ yêu cầu nhiều sự phát điện bằng khí đốt hơn để bổ sung cho năng lượng tái tạo. “Chúng ta sẽ cần phải giải quyết vấn đề khí thải từ khí đốt,” Dan Bakal, giám đốc chương trình cao cấp tại tổ chức phi lợi nhuận môi trường Ceres, nói. “Nếu NET Power có thể cung cấp một giải pháp hiệu quả về chi phí, sẽ có thị trường cho nó.” Với bộ râu lởm chởm, Rice nổi bật giữa những tỷ phú dầu khí tóc bạc. Ông nói rằng ông thích ở nhà với hai con gái nhỏ và làm các mảnh ghép với vợ. Cặp đôi kết hôn năm 2007 ở Las Vegas, hai tuần sau khi họ gặp nhau tại một quán bar nhạc đồng quê ở Houston. Ông nhanh chóng nhấn mạnh những thành tựu phi truyền thống, chẳng hạn như chiến thắng trong cuộc thi ăn xúc xích do Rice Energy, nhà sản xuất khí đốt mà ông từng điều hành, tổ chức. Nhưng phong cách tự chế giễu của ông che giấu một tham vọng để tái tạo thế giới năng lượng. “Ông ấy là thế hệ mới, và ông ấy là một loại người mới,” Maynard Holt, người sáng lập và CEO của công ty nghiên cứu và đầu tư năng lượng Veriten, không đầu tư vào NET Power, nói. Xu hướng kinh doanh của Rice có thể được truy nguyên từ mẹ của ông, người điều hành các doanh nghiệp thực phẩm gần Boston và nuôi dưỡng ông và hai người em trai sau khi ly hôn. Sau khi tốt nghiệp cử nhân khoa học tài chính tại Đại học Bryant ở Rhode Island, Rice làm nhà phân tích dầu khí tại Houston, trước khi chuyển đến tây Pennsylvania năm 2008 để giúp hai người em trai thành lập Rice Energy. Với khoản vay 5 triệu đô la từ cha họ, một nhà quản lý quỹ năng lượng của BlackRock, nhà Rice đã thuê đất xung quanh Pittsburgh và khoan giếng đầu tiên. Họ nhanh chóng khoan được khối lượng khí đốt khổng lồ và đưa công ty ra công chúng, với Danny Rice 33 tuổi làm CEO. Rice và các anh em của ông đã làm việc những giờ lao động căng thẳng, giải tỏa bằng cách cưỡi xe điện trong văn phòng của họ ở Pittsburgh. “Tôi sẽ nói với ông ấy, ‘Hãy đi ăn mừng và uống một ly,’ và ông ấy sẽ nói, ‘Không, hãy làm việc tiếp theo,’” em trai Toby Rice, người từng là giám đốc điều hành của công ty

I.T. News – June 14, 2024 1 - AI Companies Can’t Withstand Pressure of “Profit Incentives” Ex-OpenAI Board Members Say AI Companies Can’t Withstand Pressure of “Profit Incentives” as Sam Altman’s Controversies Mount Giuseppe Ciccomascolo. CNN. May 27, 2024. Key Takeaways: • Two former OpenAI board members resigned over concerns about CEO Sam Altman’s leadership and the company’s direction. • Toner and McCauley believe government intervention is essential to ensure AI development is safe and beneficial. • The former board members believe profit motives can compromise a company’s commitment to safety. • Altman is also under the spotlight for reported threats to exiting employees and his vision of AI. Two former OpenAI board members have expressed that artificial intelligence (AI) companies cannot be trusted to govern themselves and that third-party regulation is essential for accountability. Helen Toner and Tasha McCauley believe that self-governance is unlikely to hold up against profit-driven pressures. This statement adds another layer of controversy for OpenAI following the recent issues surrounding Sam Altman. AI Companies Can’t Govern Themselves Helen Toner and Tasha McCauley, former board members of OpenAI, stepped down in November during a tumultuous attempt to remove CEO Sam Altman. Five months later, Altman swiftly returned as CEO and to the board. In an op-ed on The Economist on Sunday, Toner and McCauley stood by their decision to remove Altman. They cited accusations from senior leaders that he fostered a “toxic culture of lying” and engaged in behavior that could be “characterized as psychological abuse.” Since Altman’s return to the board in March, OpenAI’s commitment to safety has come under scrutiny, particularly following using an AI voice resembling actor Scarlett Johansson for Chat GPT-4. Toner and McCauley argued that OpenAI cannot be trusted to hold itself accountable with Altman at the helm. “Developments since his return – including his reinstatement to the board and the departure of senior safety-focused talent – bode ill for the OpenAI experiment in self-governance,” they wrote. The former board members stressed the necessity of government intervention to establish effective regulatory frameworks. They asserted that it’s impossible to achieve OpenAI’s mission to benefit “all of humanity” without external oversight. They acknowledged that while they once believed in OpenAI’s ability to self-govern, their experience demonstrated that self-governance cannot reliably withstand profit-driven pressures. Ex-OpenAI Directors Ask For AI Regulation Toner and McCauley acknowledged that while government regulation is necessary, poorly designed laws could stifle “competition and innovation” by imposing burdens on smaller companies. “It is crucial that policymakers act independently of leading AI companies when developing new rules,” they wrote. “They must be vigilant against loopholes, regulatory ‘moats’ that shield early movers from competition, and the potential for regulatory capture.” In April, the Department of Homeland Security announced the establishment of the artificial intelligence Safety and Security Board, which aims to provide recommendations for the “safe and secure development and deployment of AI” across the United States’ critical infrastructures. To date, the European Union is the only institution to have passed comprehensive AI regulation. The European Parliament recently approved the AI Act, now a law regulating AI in the EU, though not without challenges. It remains unclear if – and how – other institutions will follow suit. Altman Wants AI To Know All Of Us Sam Altman has also ended up under the spotlight for other controversies. Vox reported that employees at OpenAI who wished to leave the company faced expansive and highly restrictive exit documents. If they refused to sign promptly, they received threats of losing their vested equity in the company. This represents a severe and uncommon

Bản tin Công nghệ Tin học - Ngày 14 tháng 6, 2024 1 - Các Công Ty AI Không Thể Chịu Đựng Áp Lực của "Lợi Nhuận Khuyến Khích" Cựu Thành Viên Ban Giám Đốc OpenAI Nói Rằng Các Công Ty AI Không Thể Chịu Đựng Áp Lực của "Lợi Nhuận Khuyến Khích" khi Các Tranh Cãi Của Sam Altman Gia Tăng Giuseppe Ciccomascolo. CNN. Ngày 27 tháng 5, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Những Điểm Chính: • Hai cựu thành viên ban giám đốc OpenAI đã từ chức vì lo ngại về sự lãnh đạo của CEO Sam Altman và hướng đi của công ty. • Toner và McCauley tin rằng sự can thiệp của chính phủ là cần thiết để đảm bảo phát triển AI an toàn và có lợi. • Các cựu thành viên ban giám đốc tin rằng động cơ lợi nhuận có thể làm suy yếu cam kết của công ty đối với sự an toàn. • Altman cũng đang bị chú ý vì các báo cáo đe dọa nhân viên rời đi và tầm nhìn của ông về AI. Hai cựu thành viên ban giám đốc OpenAI đã bày tỏ rằng các công ty trí tuệ nhân tạo (AI) không thể tự quản lý và cần có sự quản lý của bên thứ ba để đảm bảo trách nhiệm. Helen Toner và Tasha McCauley tin rằng tự quản lý khó có thể chịu được áp lực từ động cơ lợi nhuận. Tuyên bố này thêm một lớp tranh cãi nữa cho OpenAI sau các vấn đề gần đây liên quan đến Sam Altman. Các Công Ty AI Không Thể Tự Quản Lý Helen Toner và Tasha McCauley, cựu thành viên ban giám đốc của OpenAI, đã từ chức vào tháng 11 trong một nỗ lực hỗn loạn để loại bỏ CEO Sam Altman. Năm tháng sau, Altman nhanh chóng trở lại làm CEO và vào ban giám đốc. Trong một bài viết trên The Economist vào Chủ nhật, Toner và McCauley đứng vững với quyết định loại bỏ Altman của họ. Họ trích dẫn các cáo buộc từ các lãnh đạo cấp cao rằng ông đã tạo ra một “văn hóa độc hại của sự dối trá” và tham gia vào các hành vi có thể bị “đặc trưng là lạm dụng tâm lý.” Kể từ khi Altman trở lại ban giám đốc vào tháng 3, cam kết của OpenAI về an toàn đã bị xem xét kỹ lưỡng, đặc biệt là sau khi sử dụng giọng AI giống diễn viên Scarlett Johansson cho Chat GPT-4. Toner và McCauley lập luận rằng OpenAI không thể tự tin rằng sẽ giữ trách nhiệm với Altman ở vị trí lãnh đạo. “Những phát triển kể từ khi ông ấy trở lại – bao gồm việc ông ấy trở lại ban giám đốc và sự ra đi của các tài năng tập trung vào an toàn cao cấp – báo hiệu không tốt cho thí nghiệm tự quản lý của OpenAI,” họ viết. Các cựu thành viên ban giám đốc nhấn mạnh sự cần thiết của sự can thiệp của chính phủ để thiết lập các khung quy định hiệu quả. Họ khẳng định rằng không thể đạt được sứ mệnh của OpenAI là mang lại lợi ích “cho toàn nhân loại” mà không có sự giám sát bên ngoài. Họ thừa nhận rằng trong khi họ từng tin vào khả năng tự quản lý của OpenAI, trải nghiệm của họ cho thấy tự quản lý không thể đáng tin cậy chịu đựng áp lực từ động cơ lợi nhuận. Các Cựu Thành Viên Ban Giám Đốc OpenAI Yêu Cầu Quy Định Về AI Toner và McCauley thừa nhận rằng trong khi quy định của chính phủ là cần thiết, các luật được thiết kế kém có thể làm suy yếu “cạnh tranh và đổi mới” bằng cách áp đặt gánh nặng lên các công ty nhỏ hơn. “Điều quan trọng là các nhà lập pháp phải hành động độc lập với các công ty AI hàng đầu khi phát triển các quy tắc mới,” họ viết. “Họ phải cảnh giác với các lỗ hổng, ‘hào’ quy định bảo vệ những người đi đầu khỏi cạnh tranh, và khả năng bị chiếm đoạt quy định.” [những "con hào" này là các quy tắc hoặc tiêu chuẩn, cố ý hoặc vô ý, gây khó khăn cho các công ty mới hoặc nhỏ hơn để cạnh tranh với các công ty đã thành lập.] Vào tháng 4, Bộ An ninh Nội địa đã công bố thành lập Hội đồng An toàn và An ninh trí tuệ nhân tạo, nhằm cung cấp các khuyến nghị cho “phát triển và triển khai an toàn và bảo mật của AI” trong các cơ sở hạ tầng quan trọng của Hoa Kỳ. Đến nay, Liên minh châu Âu là tổ chức duy nhất đã thông qua quy định toàn diện về AI. Nghị viện châu Âu gần đây đã phê chuẩn Đạo luật AI, hiện là một luật điều chỉnh AI trong EU, mặc dù không thiếu thách thức. Vẫn chưa rõ liệu – và làm thế nào – các tổ chức khác sẽ theo sau Altman Muốn AI Biết Tất Cả Về Chúng Ta Sam Altman cũng đã bị chú ý vì các

Chương 2 - ChatGPT - Bên trong và Tác động đến Tự động hóa Doanh nghiệp - Phần 3 của 7 Trích từ sách Beyond AI, do tác giả Ken Huang và đồng sự. Nhà xuất bản Springer. 2023. Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số. 3.1 Máy biến áp Máy biến áp là một mô hình học sâu được giới thiệu bởi Vaswani và cộng sự vào năm 2017, đã trở thành nền tảng cho nhiều mô hình xử lý ngôn ngữ tự nhiên tiên tiến, chẳng hạn như BERT và GPT. Kiến trúc máy biến áp dựa trên các cơ chế tự chú ý và được thiết kế để xử lý các nhiệm vụ chuỗi-to-chuỗi, chẳng hạn như dịch thuật, tóm tắt và tạo văn bản, trong số các nhiệm vụ khác. Ở mức cao, máy biến áp thay thế cách tiếp cận mạng nơ-ron hồi tiếp truyền thống (RNN) để mô hình hóa chuỗi bằng một cơ chế dựa trên chú ý cho phép nắm bắt các mối quan hệ phức tạp giữa các phần khác nhau của chuỗi. Cơ chế tự chú ý cho phép mô hình chú ý chọn lọc đến các phần khác nhau của chuỗi đầu vào, giúp nắm bắt các phụ thuộc dài hạn hiệu quả hơn so với mạng nơ-ron hồi tiếp truyền thống. Kiến trúc bao gồm một chồng các lớp giống hệt nhau, mỗi lớp chứa một cơ chế tự chú ý đa đầu và một mạng truyền thẳng. Cơ chế tự chú ý đa đầu cho phép mô hình chú ý đến các phần khác nhau của chuỗi với các trọng số khác nhau, cung cấp một cách mô hình hóa dữ liệu chuỗi linh hoạt và biểu cảm hơn. Tự chú ý đa đầu Trong cơ chế tự chú ý đa đầu, cơ chế chú ý được áp dụng nhiều lần song song, mỗi lần với các phép chiếu tuyến tính khác nhau của đầu vào đã được học. Các tính toán chú ý song song này thường được gọi là “đầu chú ý”. Ý tưởng đằng sau việc sử dụng nhiều đầu chú ý là cho phép mô hình chú ý đến các phần khác nhau của đầu vào cùng một lúc, nắm bắt các loại phụ thuộc hoặc mẫu khác nhau. Mỗi đầu chú ý có một tập hợp các tham số học riêng (phép chiếu tuyến tính) biến đổi đầu vào thành các đại diện truy vấn, khóa và giá trị. Các đại diện này được sử dụng để tính toán trọng số chú ý, sau đó được sử dụng để tổng hợp các giá trị dựa trên tầm quan trọng của chúng đối với mỗi vị trí. Các đầu ra của tất cả các đầu chú ý thường được kết hợp và biến đổi tuyến tính để tạo đầu ra cuối cùng của lớp tự chú ý đa đầu. Mạng truyền thẳng sau đó áp dụng một biến đổi phi tuyến tính cho mỗi phần tử trong chuỗi, giúp mô hình nắm bắt các mối quan hệ phức tạp giữa các phần tử đầu vào. Kiến trúc máy biến áp đặc biệt phù hợp cho các nhiệm vụ như dịch máy và mô hình hóa ngôn ngữ, nơi mô hình cần phải nắm bắt các phụ thuộc dài hạn và mối quan hệ giữa các phần khác nhau của chuỗi đầu vào. Nó đã được chứng minh đạt được hiệu suất tiên tiến trong một loạt các nhiệm vụ xử lý ngôn ngữ tự nhiên và cũng đã được điều chỉnh cho các lĩnh vực khác như xử lý hình ảnh và học tăng cường. Máy biến áp có hai thành phần chính: một Bộ mã hóa và một Bộ giải mã. Cả Bộ mã hóa và Bộ giải mã đều bao gồm nhiều lớp giống hệt nhau được chồng lên nhau. 1. Mã hóa đầu vào: Chuỗi đầu vào (ví dụ: một câu) được chuyển đổi thành một biểu diễn vector kích thước cố định gọi là mã hóa. Các mã hóa này được thiết kế để nắm bắt ý nghĩa của từng từ trong chuỗi đầu vào. 2. Mã hóa vị trí: Vì máy biến áp không có khái niệm vị trí từ tự nhiên, các mã hóa vị trí được thêm vào các mã hóa đầu vào để cung cấp thông tin về vị trí của từng từ. Các mã hóa này là các hàm sin của vị trí từ và được thiết kế để dễ dàng phân biệt với nhau. Hàm Sin Các hàm sin là các hàm toán học mô tả các mẫu dao động hoặc dạng sóng. Các hàm sin phổ biến nhất là các hàm sine và cosine. Các hàm này là tuần hoàn, có nghĩa là chúng lặp lại các giá trị của mình trong một mẫu đều đặn qua các khoảng nhất định. Trong bối cảnh mô hình máy biến áp, các hàm sin được sử dụng để tạo ra các mã hóa vị trí cho chuỗi đầu vào. Trong mô hình máy biến áp, các hàm sin được sử dụng để tạo ra các mã hóa vị trí nắm bắt các vị trí tương đối của các từ trong chuỗi. Các hàm này giúp mô hình máy biến áp hiểu các vị trí tương đối của các từ trong chuỗi đầu vào. Việc lựa chọn các hàm sin cho mã hóa vị trí cho phép mô hình tổng quát hóa cho các chuỗi dài

Chương 2 - ChatGPT - Bên trong và Tác động đến Tự động hóa Doanh nghiệp - Phần 2 của 7 Trích từ sách Beyond AI, do tác giả Ken Huang và đồng sự. Nhà xuất bản Springer. 2023. Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số. 2 Tổng quan về Công nghệ AI Tạo sinh Các hệ thống AI tạo sinh như ChatGPT hoạt động bằng cách sử dụng các thuật toán học máy để phân tích các tập dữ liệu lớn và học các mẫu và cấu trúc của dữ liệu. Các hệ thống này thường được huấn luyện trên một tập dữ liệu gồm các cặp đầu vào - đầu ra, trong đó đầu vào là một yêu cầu hoặc tập lệnh và đầu ra là phản hồi mong muốn. Một trong những thuật toán học máy quan trọng được sử dụng trong các hệ thống AI tạo sinh như ChatGPT là thuật toán Máy biến áp (transformer). Thuật toán Máy biến áp (transformer) là một loại mạng nơ-ron đặc biệt phù hợp để xử lý dữ liệu tuần tự, chẳng hạn như văn bản. Nó hoạt động bằng cách sử dụng một loạt các lớp tự chú ý để học mối quan hệ giữa các phần khác nhau của dữ liệu đầu vào. Tự chú ý Tự chú ý là một thành phần chính của kiến trúc mô hình máy biến áp là nền tảng cho nhiều mô hình xử lý ngôn ngữ tự nhiên (NLP) tiên tiến, bao gồm GPT. Các lớp tự chú ý cho phép mô hình xử lý các chuỗi các token đầu vào (ví dụ: từ hoặc phân từ) bằng cách chú ý đến các phần có liên quan của chuỗi và nắm bắt các phụ thuộc dài hạn giữa chúng. Trong một lớp tự chú ý, mỗi token đầu vào được biến đổi thành ba vectơ: một vectơ truy vấn, một vectơ khóa và một vectơ giá trị. Các vectơ này được học trong quá trình huấn luyện và đại diện cho các khía cạnh khác nhau của ý nghĩa của token đầu vào. Vectơ truy vấn được sử dụng để tính điểm cho mức độ phù hợp của mỗi token trong chuỗi với token hiện tại, dựa trên sự tương đồng của chúng. Các vectơ khóa và giá trị được sử dụng để nắm bắt thông tin về các token khác trong chuỗi. Các điểm số cho mỗi token sau đó được chuẩn hóa bằng một hàm softmax, tạo ra một phân phối xác suất trên chuỗi. Các điểm số đã được chuẩn hóa được sử dụng để trọng số các vectơ giá trị của mỗi token sao cho các token liên quan nhất đến token hiện tại nhận được trọng số cao hơn. Các vectơ giá trị được trọng số này sau đó được tổng hợp để tạo ra một vectơ ngữ cảnh, đại diện cho thông tin được chú ý từ chuỗi. Vectơ ngữ cảnh sau đó được đưa qua một mạng nơ-ron truyền thẳng, áp dụng các biến đổi phi tuyến tính lên vectơ và xuất ra một vectơ mới. Vectơ đầu ra này được chuyển tiếp đến lớp tự chú ý tiếp theo, nơi quá trình được lặp lại. Các lớp tự chú ý cho phép mô hình chú ý chọn lọc đến các phần liên quan nhất của chuỗi đầu vào, nắm bắt các mẫu phức tạp và các phụ thuộc giữa các token. Điều này cho phép mô hình tạo ra văn bản mạch lạc và phù hợp ngữ cảnh và đã là một yếu tố quan trọng trong thành công của các mô hình GPT trong các nhiệm vụ xử lý ngôn ngữ tự nhiên. Để tạo ra các phản hồi, ChatGPT sử dụng sự kết hợp của các thuật toán học máy và các kỹ thuật thống kê. Một trong những kỹ thuật quan trọng được sử dụng là mô hình "sequence-to-sequence", liên quan đến việc dự đoán từ tiếp theo trong một chuỗi dựa trên các từ trước đó. Điều này cho phép ChatGPT tạo ra các phản hồi mạch lạc và phù hợp ngữ cảnh với đầu vào của người dùng. Có một số thuật toán học máy thường được sử dụng trong các hệ thống AI tạo sinh, bao gồm các thuật toán sau: Các mạng đối kháng tạo sinh (GAN) là một loại mạng nơ-ron đặt hai mô hình đối lập nhau trong một trò chơi tổng bằng không. Một mô hình, bộ tạo, chịu trách nhiệm tạo dữ liệu mới, trong khi mô hình khác, bộ phân biệt, chịu trách nhiệm phân biệt giữa dữ liệu thực và dữ liệu tạo ra. Khi hai mô hình cạnh tranh, cả hai đều trở nên tốt hơn trong nhiệm vụ của mình, dẫn đến một bộ tạo có thể tạo ra dữ liệu rất thực tế. Các autoencoder biến phân (VAE) là một loại mạng nơ-ron khác có thể được sử dụng cho AI tạo sinh. VAE hoạt động bằng cách đầu tiên mã hóa dữ liệu đầu vào vào không gian tiềm ẩn, một đại diện giảm kích thước của dữ liệu. Không gian tiềm ẩn sau đó được giải mã để tạo ra dữ liệu mới

Chương 2 - ChatGPT - Bên trong và Tác động đến Tự động hóa Doanh nghiệp - Phần 1 của 7 Trích từ sách Beyond AI, do tác giả Ken Huang và đồng sự. Nhà xuất bản Springer. 2023. Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số. Tóm tắt Chương này đi sâu vào nền tảng của ChatGPT và AI tạo sinh, xem xét học máy, mạng nơ-ron và kiến trúc của chúng, bao gồm CNN, RNN và LSTM. Chương này khám phá tiềm năng của AI tạo sinh trong việc tạo ra các mẫu dữ liệu mới phản chiếu dữ liệu huấn luyện, với các ứng dụng mở rộng từ văn bản đến tổng hợp hình ảnh. Chương này nêu bật các công nghệ chính thúc đẩy ChatGPT, bao gồm kiến trúc Máy biến áp (Transformer) chuyển đổi và các kỹ thuật tạo mô hình ngôn ngữ. Chúng tôi cũng đánh giá các bài báo nghiên cứu quan trọng trong loạt GPT đã đóng góp đáng kể vào sự tiến bộ của AI. Chương kết thúc với phân tích về tác động của ChatGPT đối với tự động hóa doanh nghiệp, cung cấp những hiểu biết sâu sắc về cảnh quan đang phát triển của tự động hóa do AI thúc đẩy và các chuẩn bị chiến lược cho các nhà lãnh đạo doanh nghiệp. Chương này cung cấp một khám phá sâu sắc về các công nghệ và khái niệm nền tảng của ChatGPT và AI tạo sinh. Chúng tôi bắt đầu với một tổng quan toàn diện về học máy và mạng nơ-ron, nhấn mạnh tầm quan trọng của chúng như là các phân nhánh của trí tuệ nhân tạo giúp máy tính học từ dữ liệu và đưa ra dự đoán. Các kiến trúc mạng nơ-ron cơ bản như Mạng Nơ-ron Tích chập (CNN), Mạng Nơ-ron Tái phát (RNN) và Mạng Bộ nhớ Dài Ngắn hạn (LSTM) được thảo luận, làm nổi bật các ứng dụng đa dạng của chúng. Hơn nữa, chúng tôi đi sâu vào AI tạo sinh, một lớp thuật toán học máy hấp dẫn có khả năng tạo ra các mẫu dữ liệu mới tương tự như dữ liệu huấn luyện, với các ứng dụng trong các lĩnh vực sáng tạo khác nhau. Chúng tôi trình bày chi tiết các công nghệ chính thúc đẩy ChatGPT, chẳng hạn như kiến trúc Máy biến áp (Transformer), các kỹ thuật tạo mô hình ngôn ngữ và công nghệ tạo văn bản thành hình ảnh sáng tạo. Các bài báo nghiên cứu quan trọng trong loạt GPT, đã mở đường cho các hệ thống AI tiên tiến như ChatGPT, được xem xét. Phần sau của chương tập trung vào các tác động của ChatGPT đối với tự động hóa doanh nghiệp, thảo luận về các khả năng tự động hóa được mở ra bởi ChatGPT, so sánh với các nền tảng khác và sự tiến hóa từ AIGC đến AIGX. Chương này kết thúc với những hiểu biết về cách các CEO có thể chuẩn bị cho tác động của ChatGPT, cung cấp một cái nhìn toàn diện về công cụ AI mạnh mẽ này và tiềm năng của nó trong việc chuyển đổi hoạt động doanh nghiệp. 1. Các khái niệm cơ bản về Học Máy và Mạng Nơ-ron Học máy, một lĩnh vực con của trí tuệ nhân tạo, đã đạt được sự chú ý rất lớn trong những năm gần đây. Một trong những kỹ thuật chính thúc đẩy sự phát triển này là việc sử dụng mạng nơ-ron. Trong phần này, chúng tôi sẽ khám phá các khái niệm cơ bản về học máy và mạng nơ-ron để cung cấp cho độc giả một sự hiểu biết tốt về những công nghệ thú vị này. 1.1 Học Máy là gì? Học máy là một phương pháp dạy máy tính học từ dữ liệu, nhận diện các mẫu và đưa ra quyết định hoặc dự đoán mà không cần được lập trình rõ ràng. Nó bao gồm việc phát triển các thuật toán có thể thích ứng và cải thiện hiệu suất của chúng dựa trên dữ liệu đầu vào mà chúng nhận được. Có ba loại học máy chính: Học có giám sát: Thuật toán học từ dữ liệu huấn luyện có nhãn, nơi các cặp đầu vào-đầu ra được cung cấp, và mục tiêu là học một ánh xạ từ các đầu vào đến các đầu ra. Các nhiệm vụ ví dụ bao gồm hồi quy và phân loại. Học không giám sát: Thuật toán học từ dữ liệu không có nhãn, khám phá các mẫu hoặc cấu trúc ẩn trong dữ liệu. Các nhiệm vụ ví dụ bao gồm phân cụm và giảm kích thước. Học củng cố: Thuật toán học bằng cách tương tác với một môi trường và nhận phản hồi dưới dạng phần thưởng hoặc hình phạt. Mục tiêu là học một chính sách tối ưu để tối đa hóa phần thưởng tích lũy. 1.2 Mạng Nơ-ron là gì? Mạng nơ-ron là một lớp các mô hình học máy lấy cảm hứng từ cấu trúc và chức năng của bộ não con người. Chúng bao gồm các nút kết nối với nhau

What China’s leading position in natural sciences means for global research Its rise to the top has been long forecast, but what next for Chinese science in the post-pandemic era? By Chris Woolston. Nature Index. August 8, 2024, Following an upward trajectory of scientific productivity that has been gathering steam for decades, China has reached a new milestone. In 2022, for the first time, the country had the highest Share score in the Nature Index for the natural sciences, surpassing the United States. This has been on the cards since Nature Index was launched in 2014. China’s Share, which measures a country or institution’s contribution to publications in 82 high-quality natural-science journals, has rapidly grown since. Back in 2015, its adjusted Share, which takes account of yearly variations in article volume, was 8,430, almost one-third of the United States’ score. But year-on-year rises of between 8% and 21% (apart from 2020, the first year of the pandemic, when growth stalled) have seen it reach the top spot. This is not the first time that China has been assessed as the leader on measures of scientific productivity. In 2017, it overtook the United States for the total number of scientific publications, according to the US National Science Foundation (NSF). And in 2022, Japan’s National Institute of Science and Technology Policy reported that China had surpassed the United States in a key metric that aims to estimate performance in high-quality science: the contribution to papers that rank in the top 1% most-cited publications. Such results are significant for Chinese universities and policymakers, says Fei Shu, who studies bibliometrics and researcher assessment at the University of Montreal in Canada and at Hangzhou Dianzi University in China. “China is really rankings driven,” he says. World-class science The shift in country rankings in the Nature Index seemed inevitable given the data trend of the past few years, but the achievement is still noteworthy, says Caroline Wagner, a science policy and innovation researcher at Ohio State University in Columbus. “The Chinese have done something truly astonishing” in building a world-class science system in just four and a half decades, she says. China announced its ‘reform and opening-up’ policy in 1978, laying foundations for its higher-education and scientific system. Hamish Coates, a higher-education researcher at Tsinghua University in Beijing, says the past seven years of China’s journey towards becoming a scientific superpower have highlighted the “strength of its innovation ecosystem”. China has developed a reputation for relying on imitation to produce such large numbers of papers, says Wagner, but contrary to this common belief, the papers coming out of the country often show high levels of innovation. Wagner co-authored a 2020 study1 that tracked the percentage of papers that included references to journals in other disciplines, a sign of more creative research that is attempting to cross disciplinary boundaries. The analysis found that papers with at least one China-based co-author were more likely than others to stretch these boundaries. “Not only were they doing good quality work, they were also doing novel work,” says Wagner. Chinese research remains under-valued, says Coates. In Western universities, “there are plenty of people who have had passing or superficial engagements with higher education in China, or Asia more generally, and have yet to grasp the transformations in play”. Coates’s home institution — which he says benefits from abundant resources, a concentration of talent and encouragement from academic leadership to publish in top academic journals — is one of many Chinese universities driving the surge in publications. The adjusted Share for Tsinghua University increased by 35.5% from 2020 to 2022, putting it in the top 10 rising Chinese institutions in that period. Others saw even bigger gains in adjusted Share.

Vị trí hàng đầu của Trung Quốc trong khoa học tự nhiên có ý nghĩa gì đối với nghiên cứu toàn cầu Sự phát triển của nó đã được dự đoán từ lâu, nhưng điều gì tiếp theo cho khoa học Trung Quốc trong thời kỳ hậu đại dịch? Chris Woolston. Nature Index. Ngày 8 tháng 6, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Theo đà tăng trưởng của năng suất khoa học đã được tăng tốc trong nhiều thập kỷ, Trung Quốc đã đạt được một cột mốc mới. Năm 2022, lần đầu tiên, quốc gia này có điểm Share cao nhất trong Nature Index cho khoa học tự nhiên, vượt qua Hoa Kỳ. Điều này đã được dự đoán kể từ khi Nature Index được ra mắt vào năm 2014. Điểm Share của Trung Quốc, đo lường sự đóng góp của một quốc gia hoặc tổ chức với các bài báo trên 82 tạp chí khoa học tự nhiên chất lượng cao, đã tăng nhanh kể từ đó. Vào năm 2015, điểm Share điều chỉnh của Trung Quốc, tính đến sự biến động hàng năm về khối lượng bài báo, là 8.430, gần bằng một phần ba so với điểm của Hoa Kỳ. Nhưng những mức tăng hàng năm từ 8% đến 21% (ngoại trừ năm 2020, năm đầu tiên của đại dịch, khi tăng trưởng chững lại) đã giúp Trung Quốc đạt vị trí đứng đầu. Đây không phải là lần đầu tiên Trung Quốc được đánh giá là dẫn đầu về các thước đo năng suất khoa học. Năm 2017, Trung Quốc đã vượt qua Hoa Kỳ về tổng số bài báo khoa học, theo Quỹ Khoa học Quốc gia Hoa Kỳ (NSF). Và vào năm 2022, Viện Chính sách Khoa học và Công nghệ Quốc gia Nhật Bản báo cáo rằng Trung Quốc đã vượt qua Hoa Kỳ trong một thước đo quan trọng nhằm ước tính hiệu suất trong khoa học chất lượng cao: sự đóng góp vào các bài báo nằm trong top 1% các ấn phẩm được trích dẫn nhiều nhất. Những kết quả này có ý nghĩa quan trọng đối với các trường đại học và các nhà hoạch định chính sách Trung Quốc, Fei Shu, người nghiên cứu bibliometrics và đánh giá nhà nghiên cứu tại Đại học Montreal ở Canada và Đại học Điện tử Hàng Châu ở Trung Quốc, cho biết. “Trung Quốc thực sự bị ảnh hưởng bởi các bảng xếp hạng,” ông nói. Khoa học đẳng cấp thế giới Sự thay đổi trong bảng xếp hạng quốc gia trong Nature Index dường như không thể tránh khỏi dựa trên xu hướng dữ liệu của những năm gần đây, nhưng thành tựu này vẫn đáng chú ý, Caroline Wagner, một nhà nghiên cứu chính sách khoa học và đổi mới tại Đại học Bang Ohio ở Columbus, cho biết. “Người Trung Quốc đã làm được điều gì đó thực sự đáng kinh ngạc” trong việc xây dựng một hệ thống khoa học đẳng cấp thế giới chỉ trong bốn thập kỷ rưỡi, bà nói. Trung Quốc đã công bố chính sách 'cải cách và mở cửa' vào năm 1978, đặt nền móng cho hệ thống giáo dục đại học và khoa học của mình. Hamish Coates, một nhà nghiên cứu giáo dục đại học tại Đại học Tsinghua ở Bắc Kinh, cho biết bảy năm qua của Trung Quốc trên con đường trở thành cường quốc khoa học đã làm nổi bật "sức mạnh của hệ sinh thái đổi mới của nó". Trung Quốc đã phát triển danh tiếng về việc dựa vào sự bắt chước để sản xuất một số lượng lớn các bài báo, Wagner nói, nhưng trái ngược với niềm tin phổ biến này, các bài báo đến từ Trung Quốc thường cho thấy mức độ sáng tạo cao. Wagner là đồng tác giả của một nghiên cứu năm 2020 theo dõi tỷ lệ phần trăm các bài báo có tham khảo đến các tạp chí trong các ngành khác, một dấu hiệu của nghiên cứu sáng tạo hơn đang cố gắng vượt qua ranh giới ngành. Phân tích cho thấy các bài báo có ít nhất một đồng tác giả tại Trung Quốc có nhiều khả năng vượt qua những ranh giới này. “Không chỉ họ làm công việc chất lượng tốt, họ còn làm công việc mới lạ,” Wagner nói. Nghiên cứu của Trung Quốc vẫn bị đánh giá thấp, Coates nói. Tại các trường đại học phương Tây, "có rất nhiều người đã có ý kiến thiển cận hoặc hời hợt với giáo dục đại học ở Trung Quốc, hoặc châu Á nói chung, và chưa hiểu rõ những thay đổi đang diễn ra". Trường đại học của Coates — nơi ông nói rằng được hưởng lợi từ các nguồn tài nguyên phong phú, sự tập trung của tài năng và khuyến khích từ lãnh đạo học thuật để xuất bản trên các tạp chí học thuật hàng đầu — là một trong nhiều trường đại học Trung Quốc thúc đẩy sự gia tăng các ấn phẩm.

How white supremacy became a global health problem – Part 2 of 2 Racism is a systemic issue — one that we have the knowledge and tools to solve. But is there a will? By Sirry Alang. Nature. June 7, 2024, Still, one book can’t cover everything. Systemic could have gone further in stating clearly how systems reproduce inequities, and how experiences in these systems are connected. Racially marginalized populations with high rates of unemployment, for instance, comprise the same people who are disproportionately exposed to environmental hazards and those with poor health outcomes. Their neighbourhoods are often exposed to pollution and environmental hazards and are more likely to be dumping grounds for industrial waste. Such neighbourhoods also tend to be food deserts — with limited access to healthy, nutritious and affordable products — and have under-resourced schools. Close up of a nurse adjusting an oximeter on the finger of a Covid-19 black patient inside the intensive care unit (ICU) of Machakos Level 5 Hospital, in Machakos, Kenya. Racial bias is highly prevalent in the design of medical devices, such as pulse oximeters.Credit: Patrick Meinhardt/Bloomberg/Getty This perpetuates a hierarchy of race: white people and others who belong to dominant racial or ethnic groups live in highly resourced neighbourhoods and continue to fare well in education, employment, health and other indicators of well-being. Simultaneously, those who belong to marginalized racial and ethnic groups fare worse in all aspects. This hierarchy is reflected in, and maintained by, the distribution of structural advantages and disadvantages across the world. For example, whether someone is likely to gain wealth, have access to health care or garner political power, or is likely to experience chronic stress, poverty and political repression, is unfortunately often determined by race and ethnicity. This means racism not only operates across systems, but also is in itself an organized hierarchy of dominance. And because people bring social contexts to medical encounters, the existence of discrimination in other parts of their lives, such as education, might affect how they approach health care. Someone doesn’t have to experience racism at a hospital for their health to be affected by it, to be wary of medicine or to avoid medical services. Whiteness matters Just as structural disadvantages can expose marginalized people to discrimination in other systems, directly cause illness or deplete resources that matter for their health, structural advantages can become resources to stay healthy. In fact, marginalized racial and ethnic groups are harmed by systemic racism because dominant groups benefit from it. Systemic avoids whiteness and its benefits. In many parts of the world, whiteness is the standard against which other racial and ethnic groups are contrasted. It is not only a racial identity, but also the dominant ideology and culture. Liverpool makes the point that racism causes anticipatory stress — “perceived discrimination and racism-related vigilance” are linked to the prevalence of hypertension in Black people in the United States, for example. I would argue that the opposite isn’t just that whiteness causes no stress, but that it confers social, economic and political weight that doubles as a benefit. I also think that in providing protection against discrimination, whiteness buffers the effect of other stressors on health. Nuance matters. Whiteness sustains itself by keeping other people at the margins — which can also harm those who are racialized as white. Policies such as paid sick leave and universal health care are known to lead to people having better health. Yet, sociologists have suggested that in the United States, for example, some white people have shown resentment towards such policies — even though they might have benefited from them — because of the perception that they would mostly benefit racially marginalized groups.

Làm thế nào chủ nghĩa da trắng tối thượng trở thành vấn đề sức khỏe toàn cầu – Phần 2 của 2 Phân biệt chủng tộc là một vấn đề hệ thống — một vấn đề mà chúng ta có kiến thức và công cụ để giải quyết. Nhưng liệu có ý chí không? Sirry Alang. Nature. Ngày 7 tháng 6, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Chúng ta không bất lực Liverpool cho rằng sự bất bình đẳng về sức khỏe giữa các chủng tộc và dân tộc có thể ngăn ngừa được. Và việc loại bỏ chúng phải đồng nghĩa với việc dỡ bỏ chủ nghĩa da trắng tối thượng. Nếu bạn là người da trắng, hãy cân nhắc cách bạn sống và làm việc liên quan đến sự tái sản xuất áp bức chủng tộc. Đánh giá những gì có nghĩa là da trắng trong các bối cảnh khác nhau và cách bạn có thể tránh hưởng lợi từ các chính sách và hệ thống phân biệt chủng tộc gây thiệt hại cho người khác. Việc dỡ bỏ phân biệt chủng tộc hệ thống liên quan đến tất cả chúng ta, bất kể chủng tộc hay dân tộc của chúng ta. Và mọi người không cần phải làm việc trong lĩnh vực chăm sóc sức khỏe, nghiên cứu, hoạt động, chính sách hoặc bất kỳ không gian nghề nghiệp cụ thể nào để tham gia vào việc dỡ bỏ phân biệt chủng tộc. Liverpool đưa ra những gợi ý và kêu gọi các chính sách và hành động cụ thể và chính xác — một số trong số đó có thể thực hiện được cho mọi người trong mọi tầng lớp xã hội. Ví dụ, bạn có thể bắt đầu lắng nghe trải nghiệm của người khác, nâng cao nhận thức về phân biệt chủng tộc, hỗ trợ và nâng đỡ các cộng đồng bị thiệt thòi và những người đang làm việc để thay đổi, và thách thức các giả định rằng có sự khác biệt sinh học giữa các nhóm chủng tộc và dân tộc. Tôi nghĩ rằng một số đóng góp hiệu quả nhất cho phong trào chống phân biệt chủng tộc đến từ những người thường xuyên ngăn chặn phân biệt chủng tộc — các hành vi, trò đùa, giả định hoặc ngôn ngữ phân biệt chủng tộc — trong các không gian cá nhân và mạng lưới của họ. Những hành động này thách thức các ý tưởng và khuôn khổ phân biệt chủng tộc có thể ảnh hưởng đến các chính sách, chuẩn mực và thực tiễn thể chế duy trì các hệ thống phân biệt chủng tộc. Systemic là một cuốn sách có tính cách phổ cập, tìm hiểu về chăm sóc sức khỏe và xã hội — và cuối cùng là một lời kêu gọi thay đổi. Liverpool cung cấp một loạt các tài nguyên và nhóm vận động nên giúp mọi người tham gia vào các nỗ lực chống phân biệt chủng tộc. Thiếu thông tin không nên là lý do cho sự không hành động của chúng ta. Chúng ta, với tư cách là một xã hội, đã được thông tin và trang bị. Nhưng liệu chúng ta có sẵn sàng tham gia vào hành động bền vững không? Chúng ta phải. Giải thích thuật ngữ (Lê Quang Văn thực hiện) 1 - Làm thế nào quyền tối cao của người da trắng trở thành một vấn đề sức khỏe toàn cầu Quyền tối thượng của người da trắng, niềm tin vào sự vượt trội của người da trắng và các hệ thống xã hội, chính trị và kinh tế tương ứng duy trì hệ tư tưởng này, có tác động sâu sắc và sâu rộng đến sức khỏe toàn cầu. Hiện tượng này không chỉ là một vấn đề cá biệt mà còn là một vấn đề mang tính hệ thống ăn sâu vào các khía cạnh khác nhau của xã hội, dẫn đến sự chênh lệch đáng kể về sức khỏe giữa các nhóm chủng tộc và dân tộc khác nhau. Đây là cách quyền tối cao của người da trắng đã phát triển thành một vấn đề sức khỏe toàn cầu: 1. Loại trừ hệ thống khỏi nghiên cứu y sinh • Thiếu đại diện: Những người từ các nhóm bị thiệt thòi về chủng tộc và dân tộc bị loại trừ một cách có hệ thống khỏi nghiên cứu y sinh. Loại trừ này dẫn đến sự thiếu hiểu biết và lựa chọn điều trị cho các điều kiện ảnh hưởng không tương xứng đến các quần thể này. • Thiên vị giáo dục: Chương trình giảng dạy y khoa thường thiếu đại diện cho các tông màu da và triệu chứng đa dạng, có thể dẫn đến chẩn đoán sai hoặc chẩn đoán chậm cho những người có làn da sẫm màu hơn 2. Bất bình đẳng về chăm sóc sức khỏe • Thách thức chẩn đoán: Như đã thấy trong trường hợp của Layal Liverpool, những người có tông màu da tối hơn có thể phải vật lộn để nhận được chẩn đoán chính xác cho các tình trạng phổ biến do thiếu đào tạo giữa nhà cung cấp dịch vụ

How white supremacy became a global health problem – Part 1 of 2 Racism is a systemic issue — one that we have the knowledge and tools to solve. But is there a will? By Sirry Alang. Nature. June 7, 2024, When Layal Liverpool developed light, itchy patches on her skin, she sought advice from medical doctors in the Netherlands and the United Kingdom. Without a clear diagnosis, she received several treatments during her teenage years and early adulthood that ultimately did not work. Liverpool resigned herself to having “some extremely rare skin condition that was impossible to diagnose or treat”. That is, until a dermatologist with dark skin quickly recognized eczema — a very common condition. Liverpool’s experience of finding it hard to get a diagnosis is widely shared by people of racially and ethnically marginalized groups, who are systematically excluded from biomedical research and from the curricula used to train clinicians. Only 4.5% of images in textbooks used in top medical schools in North America represent dark skin tones (P. Louie and R. Wilkes Soc. Sci. Med. 202, 38–42; 2018). A similar bias is found in countries with a majority Black population, such as South Africa. Her experience ignited a curiosity that grew — from asking whether doctors are well trained to treat skin conditions in darker-skinned people, to why health inequities persist across racial and ethnic lines. Turning to science journalism, Liverpool (a former Nature reporter) took a deep dive into these issues. Her investigations unequivocally pointed to racism. In Systemic, Liverpool portrays racism as a global systemic problem that harms all of us. The COVID-19 pandemic brought this inequity to public attention, but it is still not talked about as often as it should be. This book is outstanding in many ways. The harrowing differences in health outcomes that Liverpool presents are amply supported by evidence from a wide range of global sources. She draws from her own lived experiences, extensive scholarship and entrenched practices, as well as from many first-hand accounts from her family, researchers, clinicians, patients, policymakers, community members and activists — from Europe to Africa and from the Americas to Asia and Oceania. Liverpool clearly highlights the benefits of racial and ethnic self-identification in health care, and makes a strong case for collecting data on race and ethnicity. Currently, only a handful of countries do so. Systemic also addresses the harmful misconceptions that race reflects underlying genetic differences and that genes explain health disparities. The book painstakingly shows how racial bias is prevalent in the design and use of medical devices as well as diagnostic and treatment algorithms and procedures. For example, for decades, an indicator of kidney functioning (the estimated glomerular filtration rate) was calculated by adding a multiplication factor for Black people — based on the racist assumption that waste-production levels in the kidney differ by race (N. D. Eneanya et al. Nature Rev. Nephrol. 18, 84–94; 2022). This biased the algorithm that informed diagnostic thresholds for chronic kidney disease and people’s eligibility for dialysis and transplants. Black people continue to be at higher risk of end-stage kidney disease than are white people. There is no doubt — racism, not biology, is the main cause of racial inequities in health. Systemic marginalization Liverpool shows that racism is ingrained in the systems and structures that maintain society. She describes many examples of health inequities, from Black Brazilians having limited access to health care to an unmet need for culturally appropriate cervical cancer screening in Māori women in New Zealand. Racial residential segregation and racist economic, housing, employment, education and environmental policies and practices all contribute strongly to these outcomes.

Làm thế nào chủ nghĩa da trắng tối thượng trở thành vấn đề sức khỏe toàn cầu – Phần 1 của 2 Phân biệt chủng tộc là một vấn đề hệ thống — một vấn đề mà chúng ta có kiến thức và công cụ để giải quyết. Nhưng liệu giới có quyền lực có ý chí giải quyết vấn đề không? Sirry Alang. Nature. Ngày 7 tháng 6, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Khi Layal Liverpool phát triển các mảng màu nhạt và ngứa trên da, cô đã tìm kiếm lời khuyên từ các bác sĩ y khoa ở Hà Lan và Vương quốc Anh. Không có chẩn đoán rõ ràng, cô đã nhận được nhiều phương pháp điều trị trong những năm thiếu niên và đầu tuổi trưởng thành nhưng cuối cùng không hiệu quả. Liverpool tự nhủ rằng mình mắc phải "một tình trạng da cực kỳ hiếm mà không thể chẩn đoán hoặc điều trị." Đó là, cho đến khi một bác sĩ da liễu có làn da sẫm màu nhanh chóng nhận ra đó là bệnh chàm — một tình trạng rất phổ biến. Trải nghiệm khó khăn trong việc nhận chẩn đoán của Liverpool được chia sẻ rộng rãi bởi những người thuộc các nhóm chủng tộc và dân tộc bị thiệt thòi, những người bị loại trừ một cách có hệ thống khỏi nghiên cứu y sinh và khỏi các giáo trình dùng để đào tạo bác sĩ. Chỉ 4,5% hình ảnh trong sách giáo khoa được sử dụng tại các trường y khoa hàng đầu ở Bắc Mỹ đại diện cho các tông màu da sẫm. Một sự thiên vị tương tự cũng được tìm thấy ở các quốc gia có đa số dân số da đen, chẳng hạn như Nam Phi. Trải nghiệm của cô đã kích thích sự tò mò từ việc hỏi liệu các bác sĩ có được đào tạo tốt để điều trị các bệnh về da ở người có làn da sẫm màu, đến lý do tại sao sự bất công về y tế vẫn tồn tại qua các dòng chủng tộc và dân tộc. Chuyển sang báo chí khoa học, Liverpool (một cựu phóng viên của Nature) đã tìm hiểu sâu vào những vấn đề này. Các cuộc điều tra của cô đã chỉ ra một cách rõ ràng rằng đó là phân biệt chủng tộc. Trong Systemic, Liverpool mô tả phân biệt chủng tộc như một vấn đề hệ thống toàn cầu gây hại cho tất cả chúng ta. Đại dịch COVID-19 đã đưa sự bất công này ra trước công chúng, nhưng nó vẫn không được nói đến nhiều như nên có. Cuốn sách này nổi bật theo nhiều cách. Sự khác biệt khủng khiếp về kết quả sức khỏe mà Liverpool trình bày được hỗ trợ đầy đủ bởi bằng chứng từ nhiều nguồn trên toàn cầu. Cô rút ra từ những trải nghiệm sống của mình, học thuật rộng rãi và các thực tiễn lâu đời, cũng như từ nhiều câu chuyện trực tiếp từ gia đình, các nhà nghiên cứu, bác sĩ, bệnh nhân, nhà hoạch định chính sách, thành viên cộng đồng và các nhà hoạt động — từ châu Âu đến châu Phi và từ châu Mỹ đến châu Á và châu Đại Dương. Liverpool rõ ràng nhấn mạnh lợi ích của việc tự nhận diện chủng tộc và dân tộc trong chăm sóc sức khỏe, và lập luận mạnh mẽ cho việc thu thập dữ liệu về chủng tộc và dân tộc. Hiện tại, chỉ một số ít quốc gia làm điều này. Systemic cũng đề cập đến những ngộ nhận gây hại rằng chủng tộc phản ánh sự khác biệt di truyền cơ bản và rằng gen giải thích sự chênh lệch về sức khỏe. Cuốn sách tỉ mỉ cho thấy cách thiên vị chủng tộc phổ biến trong thiết kế và sử dụng các thiết bị y tế cũng như các thuật toán và quy trình chẩn đoán và điều trị. Ví dụ, trong nhiều thập kỷ, một chỉ số về chức năng thận (tốc độ lọc cầu thận ước tính) được tính bằng cách thêm một hệ số nhân cho người da đen — dựa trên giả định phân biệt chủng tộc rằng mức độ sản xuất chất thải trong thận khác nhau theo chủng tộc. Điều này đã thiên vị thuật toán thông báo ngưỡng chẩn đoán bệnh thận mạn tính và khả năng đủ điều kiện của mọi người cho việc lọc máu và cấy ghép. Người da đen tiếp tục có nguy cơ cao hơn về bệnh thận giai đoạn cuối so với người da trắng. Không có gì nghi ngờ — phân biệt chủng tộc, không phải sinh học, là nguyên nhân chính gây ra sự chênh lệch về sức khỏe theo chủng tộc. Sự thiệt thòi hệ thống Liverpool cho thấy rằng phân biệt chủng tộc đã ăn sâu vào các hệ thống và cấu trúc duy trì xã hội. Cô mô tả nhiều ví dụ về sự bất công trong y tế, từ việc người Brazil da đen có ít cơ hội tiếp cận dịch vụ chăm sóc sức khỏe đến nhu cầu không được đáp ứng về sàng lọc ung thư cổ tử cung

Chương 1 - Tổng quan về ChatGPT, Web3, và Bối cảnh Kinh doanh Mới - Phần 10 của 10 Trích từ sách Beyond AI, do tác giả Ken Huang và đồng sự. Nhà xuất bản Springer. 2023. Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số. 6.2 Web3 và Nhu Cầu Tích Hợp Web3 với AI tạo sinh Sự xuất hiện của Web3, một mạng lưới phi tập trung và không cần tin cậy, có tiềm năng cách mạng hóa cảnh quan kỹ thuật số bằng cách thúc đẩy sự đổi mới, an ninh và quyền riêng tư. Việc tích hợp AI tạo sinh với Web3 để khai thác hết tiềm năng của các công nghệ này và tạo ra một thế giới kỹ thuật số công bằng và hiệu quả hơn là một khả năng thực sự. Trong phần này, chúng ta sẽ khám phá khái niệm về Web3, các khối xây dựng cơ bản của nó và lý do đằng sau việc tích hợp AI tạo sinh với Web3. Web3, còn được gọi là web phi tập trung, đại diện cho thế hệ tiếp theo của internet. Nó xây dựng dựa trên nền tảng của Web2, đã giới thiệu các yếu tố tương tác và xã hội với Internet. Các mục tiêu chính của Web3 là thiết lập một môi trường trực tuyến phi tập trung, an toàn và lấy người dùng làm trung tâm, cho phép kiểm soát người dùng đối với dữ liệu và tài nguyên. Web3 dựa trên ba trụ cột chính: phi tập trung, không cần tin cậy và quyền lực người dùng. Phi tập trung nhằm loại bỏ sự phụ thuộc vào các thực thể tập trung như máy chủ và trung tâm dữ liệu, dễ bị tấn công, kiểm duyệt và kiểm soát. Phi tập trung được đạt được thông qua việc sử dụng các hệ thống phân tán và công nghệ như blockchain và mạng ngang hàng. Không cần tin cậy, mặt khác, thiết lập lòng tin thông qua bằng chứng mật mã thay vì các trung gian. Điều này loại bỏ nhu cầu về một cơ quan trung ương để xác thực các giao dịch hoặc dữ liệu, giảm khả năng gian lận và tham nhũng. Cuối cùng, quyền lực người dùng nhấn mạnh chủ quyền người dùng, mang lại cho các cá nhân quyền kiểm soát dữ liệu, tài sản và danh tính của họ. Điều này cho phép người dùng lấy lại quyền kỹ thuật số của mình và hưởng lợi từ những đóng góp của họ cho hệ sinh thái kỹ thuật số. Việc tích hợp AI tạo sinh với Web3 có thể thúc đẩy sự đổi mới, tạo ra các cơ hội kinh tế mới và giải quyết các thách thức xã hội khác nhau. Việc tích hợp AI tạo sinh và Web3 mang lại một số lợi thế. Đầu tiên, bằng cách tận dụng lưu trữ và tính toán phi tập trung, các mô hình AI có thể được đào tạo, chia sẻ và truy cập mà không cần hạ tầng tập trung. Điều này thúc đẩy sự đổi mới và hợp tác trong khi giảm các rào cản để phát triển AI. Thứ hai, tích hợp AI tạo sinh với công nghệ blockchain cho phép chia sẻ dữ liệu an toàn và riêng tư cho việc đào tạo mô hình AI. Điều này đảm bảo việc bảo vệ thông tin nhạy cảm và tuân thủ các quy định về bảo vệ dữ liệu. Thứ ba, Web3 cung cấp nền tảng cho việc tạo ra các chợ AI phi tập trung nơi người dùng có thể truy cập, đóng góp và kiếm tiền từ các mô hình AI. Điều này dân chủ hóa AI, cho phép các cá nhân hưởng lợi từ dữ liệu và kỹ năng của họ, tạo ra một hệ sinh thái kỹ thuật số công bằng hơn. Việc tích hợp AI tạo sinh với Web3 có thể mở ra nhiều trường hợp sử dụng đột phá trong nhiều ngành công nghiệp. Trong tài chính phi tập trung (DeFi), AI tạo sinh có thể tạo ra các sản phẩm tài chính dựa trên dữ liệu và tối ưu hóa các chiến lược đầu tư trong hệ sinh thái DeFi. Điều này cho phép phân bổ tài nguyên hiệu quả hơn và trao quyền cho người dùng với các công cụ tài chính tiên tiến. Trong sáng tạo nội dung kỹ thuật số, AI tạo sinh có thể giúp các nghệ sĩ và người sáng tạo nội dung sản xuất các tài sản kỹ thuật số độc đáo và tùy chỉnh. Bằng cách tận dụng các nền tảng phi tập trung, các nhà sáng tạo có thể giữ quyền sở hữu và kiểm soát công việc của mình, trong khi người dùng có thể trao đổi các tài sản kỹ thuật số này một cách an toàn và minh bạch. Đã có những phàn nàn rằng AI tạo sinh có thể xâm phạm các sáng tạo của con người. Bằng cách sử dụng một mạng lưới rộng lớn dựa trên dữ liệu hiện có, AI tạo sinh hoàn thành kỳ tích đáng kinh ngạc là mô phỏng nội dung do con người tạo ra. Điều này đặt ra những câu hỏi quan trọng về việc xác định

Chương 1 - Tổng quan về ChatGPT, Web3, và Bối cảnh Kinh doanh Mới - Phần 9 của 10 Trích từ sách Beyond AI, do tác giả Ken Huang và đồng sự. Nhà xuất bản Springer. 2023. Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số. 6 Tương Lai của AI tạo sinh và Sự Tích Hợp với Web3 Khi công nghệ tiếp tục tiến bộ, các cơ hội mới xuất hiện cho sự phát triển và ứng dụng của AI tạo sinh. Trong phần này, chúng ta sẽ khám phá một số công nghệ mới nổi có thể có tác động đáng kể đến tương lai của AI tạo sinh, bao gồm nghiên cứu tiếp tục về mô hình ngôn ngữ lớn, học liên kết, mạng nơ-ron đồ thị, tính toán lượng tử, tiến hóa thần kinh, và thực tế tăng cường. Các công nghệ này cung cấp các khả năng và lợi ích độc đáo có thể giúp đẩy xa giới hạn của những gì hiện có thể với AI tạo sinh. Sau đó, chúng ta sẽ khám phá sự tích hợp của công nghệ Web3 với AI tạo sinh. 6.1 Tương Lai của AI tạo sinh Tính đến tháng 6 năm 2023, kiến trúc mạng máy biến áp và các mô hình mô hình ngôn ngữ lớn đang chiếm spotlight. Khi chúng ta tiến vào tương lai, chúng ta thấy nhiều sự đổi mới hơn và một số thuật toán học máy khác sẽ xuất hiện, có thể dễ dàng đào tạo và sử dụng hơn so với transformer. Ngoài ra, theo quan điểm của tác giả, các lĩnh vực nghiên cứu chính sau đây có thể thay đổi hướng đi của AI tạo sinh. • Mô hình ngôn ngữ lớn và các Mô Hình Khác: Nhìn về phía trước, có thể kỳ vọng rằng cả các mô hình lớn chung và các mô hình lớn theo ngành dọc hoặc các mô hình cụ thể theo miền và các mô hình nền tảng tùy chỉnh sẽ tiếp tục mở rộng quy mô để cải thiện hiệu suất trên các nhiệm vụ xử lý ngôn ngữ tự nhiên. Nghiên cứu tương lai có thể tập trung vào tối ưu hóa cấu trúc mô hình, giảm độ phức tạp của mô hình, và cải thiện hiệu quả tính toán. Với sự phát triển của các mô hình được đào tạo trước, các phương pháp học chuyển giao và thích ứng theo miền hiệu quả hơn sẽ được khám phá. Sự tích hợp của xử lý ngôn ngữ tự nhiên với các hình thức khác, chẳng hạn như hình ảnh, âm thanh, và video, sẽ là một trọng điểm của nghiên cứu. Khi quy mô mô hình tăng lên, các vấn đề về khả năng giải thích, độ bền vững và an ninh của mô hình sẽ trở nên quan trọng hơn. Hiệu suất của các mô hình lớn hiện tại đối với các ngôn ngữ tài nguyên thấp vẫn có thể được cải thiện, và nghiên cứu tương lai sẽ tập trung vào phát triển các mô hình ngôn ngữ tài nguyên thấp hiệu suất cao sử dụng ít dữ liệu và nguồn lực tính toán hơn. Tối ưu hóa mô hình và hiệu quả năng lượng sẽ là một trọng điểm của nghiên cứu khi các vấn đề môi trường và tiêu thụ năng lượng trở nên ngày càng quan trọng. Các mô hình lớn chung và theo ngành dọc sẽ hình thành một mối quan hệ hợp tác chặt chẽ hơn với con người, cho phép hoàn thành các nhiệm vụ thông minh hiệu quả hơn thông qua hợp tác giữa người và máy. Các mô hình không dựa trên máy biến áp cũng đang được nghiên cứu. Ví dụ, vào tháng 6 năm 2023, Meta AI đã tiết lộ một mô hình AI mới gọi là I-JEPA, viết tắt của Image Joint Embedding Predictive Architecture. I-JEPA dựa trên tầm nhìn của Yann LeCun, nhà khoa học trưởng AI của Meta, người tin rằng các mô hình AI có thể học để hiểu thế giới xung quanh mà không cần sự can thiệp của con người. I-JEPA học bằng cách tạo ra một mô hình nội tại của thế giới bên ngoài, so sánh các đại diện trừu tượng của hình ảnh thay vì so sánh các pixel. Theo quan điểm của chúng tôi, đây là một biên giới rất thú vị. Con người có được cảm giác chung về thế giới thông qua quan sát thụ động, và các hệ thống tính toán có thể học các đại diện kỹ thuật số của các khái niệm thông qua tự giám sát từ dữ liệu không gắn nhãn. Các kiến trúc sinh tổng hợp mà chúng ta đã thảo luận cho đến nay cố gắng dự đoán thông tin bị thiếu hoặc bị hỏng từ các đầu vào với các phần bị loại bỏ hoặc bị biến dạng, tuy nhiên thế giới vốn dĩ không thể đoán trước được, và các phương pháp sinh tổng hợp có thể không nắm bắt được các khái niệm có thể đoán trước cao bằng cách tập trung quá nhiều vào các chi tiết không liên quan. Ngược lại, I-JEPA dự đoán đại diện của một phần đầu vào từ

Chương 1 - Tổng quan về ChatGPT, Web3, và Bối cảnh Kinh doanh Mới - Phần 8 của 10 Trích từ sách Beyond AI, do tác giả Ken Huang và đồng sự. Nhà xuất bản Springer. 2023. Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số. Các Thách Thức Đang Tiếp Diễn (tiếp theo) • Chất lượng dữ liệu: Hơn nữa, một thách thức khác mà AI tạo sinh đặt ra là nhu cầu về lượng dữ liệu lớn. Các hệ thống này đòi hỏi lượng dữ liệu khổng lồ để hoạt động hiệu quả. Điều này là do các thuật toán học cách đưa ra dự đoán từ các mẫu trong dữ liệu. Do đó, càng có nhiều dữ liệu, dự đoán của chúng có khả năng chính xác hơn. Tuy nhiên, việc thu thập và xử lý lượng dữ liệu lớn có thể mất thời gian, tốn kém và làm dấy lên lo ngại về quyền riêng tư. Vì vậy, các nhà nghiên cứu đang khám phá các cách giảm lượng dữ liệu AI tạo sinh cần để hoạt động hiệu quả. Điều này bao gồm phát triển các thuật toán có thể học từ các tập dữ liệu nhỏ hơn, và các kỹ thuật như học chuyển giao, nơi một mô hình được đào tạo trên một tập dữ liệu được điều chỉnh để hoạt động trên một tập dữ liệu khác. • Lo ngại về an ninh và quyền riêng tư: Những lo ngại này xuất phát từ thực tế là các mô hình AI tạo sinh có thể tạo ra nội dung rất thực tế, bao gồm hình ảnh, âm thanh và văn bản. Nội dung này có thể được sử dụng để tạo ra các deepfake, là các hình ảnh hoặc video giả mạo mà trông như thật. Deepfake có thể được sử dụng cho các mục đích xấu, chẳng hạn như lan truyền thông tin sai lệch hoặc thao túng ý kiến công chúng. Một lo ngại an ninh khác là tiềm năng cho các mô hình AI tạo sinh được sử dụng cho các cuộc tấn công mạng. Ví dụ, một kẻ tấn công có thể sử dụng mô hình AI tạo sinh để tạo ra các email phishing hoặc các trang web giả mạo trông như thật, làm cho người dùng dễ dàng bị lừa để cung cấp thông tin nhạy cảm. Quyền riêng tư cũng là một lo ngại khi nói đến AI tạo sinh. Các mô hình được sử dụng để tạo nội dung thường yêu cầu lượng dữ liệu lớn để được đào tạo hiệu quả. Dữ liệu này có thể bao gồm thông tin cá nhân, chẳng hạn như ảnh hoặc tin nhắn văn bản. Có nguy cơ rằng dữ liệu này có thể bị lạm dụng hoặc rò rỉ, làm tổn hại quyền riêng tư của cá nhân. Ví dụ, vào tháng 3 năm 2023, OpenAPI đã thông báo rằng một lỗi trong một thư viện mã nguồn mở gọi là redis-py đã tạo ra một vấn đề lưu trữ trong cơ sở dữ liệu ChatGPT có thể đã hiển thị bốn chữ số cuối và ngày hết hạn của thẻ tín dụng của người dùng khác, cùng với tên, địa chỉ email và địa chỉ thanh toán của họ. Người dùng cũng có thể đã thấy các đoạn chat của người khác. Thực tế là, giữa những lo ngại về quyền riêng tư, Ý đã cấm sử dụng ChatGPT vào tháng 3 năm 2023 và sau đó gỡ bỏ lệnh cấm sau khi OpenAI đồng ý đáp ứng các yêu cầu của cơ quan quản lý. • Mất việc làm: AI tạo sinh có thể thay thế hàng triệu công việc từ các nhà thiết kế đến các nhà sản xuất và nghệ sĩ. Thực tế, trong một bài báo tháng 3 năm 2023, các nhà kinh tế của Goldman Sachs dự đoán rằng 300 triệu việc làm toàn cầu có thể bị loại bỏ thông qua việc sử dụng ChatGPT và các hình thức trí tuệ nhân tạo sáng tạo tương tự. Cần chỉ ra rằng - tác động của AI tạo sinh đối với lực lượng lao động toàn cầu không đồng nhất, và những nhóm và cộng đồng bị ảnh hưởng không đồng đều cần có các mạng hỗ trợ linh hoạt và mạnh mẽ. Các nhà hoạch định chính sách cần cung cấp các ưu đãi cho khu vực tư nhân để tiếp tục đầu tư vào vốn con người và lên kế hoạch để bảo vệ lợi ích của các nhóm dân cư dễ bị tổn thương. Công nghệ là một con dao hai lưỡi và chúng ta có nghĩa vụ đạo đức để đảm bảo rằng AI lấy con người làm trung tâm đáp ứng các giá trị xã hội. • Lo ngại từ các nhà lãnh đạo ngành: Vào tháng 3 năm 2023, một nhóm các nhà công nghệ và các nhà nghiên cứu trí tuệ nhân tạo nổi tiếng, bao gồm Elon Musk và Steve Wozniak, đã ký một bức thư ngỏ kêu gọi tạm dừng sáu tháng đối với việc phát triển các hệ thống AI tiên tiến. Bức thư lập luận rằng các phòng thí nghiệm AI nên tạm dừng phát triển các hệ thống AI mạnh hơn GPT-4, cho phép thời gian để thiết lập các giao thức an toàn và hệ thống quản trị.

Chương 1 - Tổng quan về ChatGPT, Web3, và Bối cảnh Kinh doanh Mới - Phần 7 của 10 Trích từ sách Beyond AI, do tác giả Ken Huang và đồng sự. Nhà xuất bản Springer. 2023. Lê Quang Văn, dịch, giải thích và thực hiện phần kỹ thuật số. 5 Các Ứng Dụng Ngang và Thách Thức của AI tạo sinh Với tiềm năng cách mạng hóa nhiều ngành công nghiệp, các doanh nghiệp ngày càng áp dụng các công nghệ AI tạo sinh để tự động hóa các tác vụ, cải thiện năng suất và tạo ra nội dung mới mẻ. Phần này thảo luận về các ứng dụng có thể áp dụng cho hầu hết các doanh nghiệp (do đó, chúng tôi gọi chúng là ứng dụng ngang) và các thách thức. 5.1 Các Ứng Dụng Ngang của AI tạo sinh • Văn bản: Tóm tắt hoặc Tự động hóa Nội dung: AI tạo sinh có các ứng dụng đáng kể trong lĩnh vực tóm tắt văn bản, nơi nó có thể được sử dụng để cô đọng nội dung dài thành các định dạng ngắn gọn hơn, dễ hiểu hơn. Một số người chơi chính trong không gian này bao gồm GPT-3 của OpenAI, T5 của Google, và Transformers của Hugging Face. • Hình ảnh: Tạo Hình ảnh: AI tạo sinh cũng được sử dụng để tạo hình ảnh, một lĩnh vực được gọi là mạng đối kháng sinh (GANs). Công nghệ này có các ứng dụng từ nghệ thuật và thiết kế đến thương mại điện tử và quảng cáo. Những người chơi chính trong không gian này bao gồm StyleGAN của NVIDIA, DeepDream của Google, và Project Fast Mask của Adobe. • Âm thanh: Tóm tắt, Tạo hoặc Chuyển đổi Văn bản thành Âm thanh: Trong lĩnh vực âm thanh, AI tạo sinh đã được sử dụng để tạo ra âm nhạc, giọng nói và hiệu ứng âm thanh. Ngoài ra, nó có thể được sử dụng để tóm tắt hoặc chuyển đổi văn bản thành các định dạng âm thanh. Những người chơi chính trong không gian này bao gồm Tacotron của Google, Jukebox của OpenAI, và Deep Voice của Baidu. • Video: Tạo hoặc Chỉnh sửa Video: AI tạo sinh đã được sử dụng để tạo và chỉnh sửa video, với các ứng dụng từ quảng cáo đến giải trí. Những người chơi chính trong không gian này bao gồm DeepArt, Wideo và Lumen5. • Mã: Tạo Mã: AI tạo sinh có tiềm năng cách mạng hóa quy trình phát triển phần mềm bằng cách tạo mã tự động. Những người chơi chính trong không gian này bao gồm Codex của Hugging Face, GPT-4 của OpenAI và Copilot của GitHub. Bằng cách coi ngôn ngữ lập trình là một ngôn ngữ khác, AI tạo sinh tăng tốc quá trình viết mã bao gồm việc tạo bản nháp mã, sửa mã, phân tích nguyên nhân gốc rễ và thiết kế hệ thống. Tuy nhiên, AI tạo sinh hiện tại chỉ có thể tạo ra các bản nháp ban đầu và các kiến trúc sư phần mềm vẫn chịu trách nhiệm về chất lượng kiến trúc IT - điều này có những tác động đối với các kỹ năng cần thiết của các lập trình viên trong tương lai. • Chatbots: Tự động hóa Dịch vụ Khách hàng và Hơn thế nữa: AI tạo sinh có thể tự động hóa các tác vụ dịch vụ khách hàng và hỗ trợ thông qua việc sử dụng các chatbot. Những người chơi chính trong không gian này bao gồm Dialogflow của Google, Lex của Amazon và Watson Assistant của IBM. • Tìm kiếm: Thông tin chi tiết được Hỗ trợ bởi AI: AI tạo sinh cũng đang được sử dụng trong các công cụ tìm kiếm để cung cấp các kết quả chính xác và cá nhân hóa hơn. Những người chơi chính trong không gian này bao gồm Google, Microsoft Bing và Alexa của Amazon. • Dữ liệu: Thiết kế, Thu thập hoặc Tóm tắt Dữ liệu: AI tạo sinh đang được sử dụng để tự động hóa việc thu thập dữ liệu, thiết kế các hình ảnh dữ liệu và tóm tắt các tập dữ liệu lớn. Những người chơi chính trong không gian này bao gồm DataRobot, RapidMiner và H2O.ai. Trong tương lai gần, chúng ta sẽ chứng kiến một sự thay đổi mô hình đáng kể trong việc sử dụng dữ liệu. Trước đây, các ứng dụng kinh doanh chủ yếu dựa vào việc nhập liệu theo menu, thường không tận dụng dữ liệu một cách thông minh. Với AI tạo sinh, doanh nghiệp đang bắt đầu một hành trình chuyển đổi nơi dữ liệu được tiêu thụ và xử lý một cách thông minh, thay vì chỉ được nhập liệu. Ví dụ, một sự hợp tác giữa Snowflake và NVIDIA đã nổi lên để giải quyết sự chuyển đổi này. Snowflake và NVIDIA đã hình thành một hợp tác nhằm cho phép khách hàng tận dụng dữ liệu của riêng mình để xây dựng chatbot,

I.T. News – June 12, 2024 1 - Apple isn’t paying OpenAI for access to ChatGPT: report Business Insider. June 13, 2024. Apple announced on Monday that it would integrate OpenAI’s ChatGPT into its devices. However, people familiar with the deal told Bloomberg that the iPhone maker won’t pay OpenAI to use its product. Instead, Apple thinks the new deal will bring OpenAI’s technology closer to hundreds of millions of users and will be of equal or greater value than a cash payment, Bloomberg’s sources told the outlet. However, the sources said this alliance between Apple and OpenAI isn’t expected to generate meaningful revenue for either company yet. The deal could still be a win for both parties. Apple, for one, would benefit from offering users access to an advanced AI chatbot. And OpenAI stands to reap the benefits of access to Apple’s vast platform. Being integrated into devices means it will reach millions of Apple users, some of whom may upgrade to paid ChatGPT versions, access to which starts at $20 a month. OpenAI and Apple did not immediately respond to requests for comment from Business Insider sent outside regular business hours. Still, OpenAI may be getting a pretty good deal. That’s considering that partnering with Apple doesn’t often come free — Google in 2022 paid the company $20 billion to have its search engine be the default on iPhones and other Apple devices. The extent of OpenAi’s access to Apple users is also fairly extensive. At its Worldwide Developer’s Conference on Monday, Apple announced that it would add ChatGPT to its iPhone, iPad, and Mac products. Users will have access to writing tools, document reading, and image generation without switching between apps. The tech giant also plans to integrate ChatGPT with Siri, the digital assistant built into Apple devices. Users can opt out of the integration and decide if they want Siri to send their queries to ChatGPT. Apple’s WWDC keynote, which also discussed its in-house Apple Intelligence offerings, provided relief to investors who worried that the company was falling behind in the AI race. Analysts reacting to the OpenAI deal also predicted that the tie-up may dilute Apple’s revenue, at least in the near term. For one, analysts at Bernstein wrote after the WWDC keynote that while revenue sharing could benefit both firms, “some possible migration from traditional search queries” may still affect Apple’s returns on the investment. That said, Apple may also introduce similar partnerships with other chatbots. Top Apple executive Craig Federighi also said at the WWDC keynote that Apple’s looking to cut a deal with Google to use its Gemini AI model. Apple has also held talks with Anthropic for a potential chatbot deal, people familiar with the matter told Bloomberg in March. The post Apple isn’t paying OpenAI for access to ChatGPT: report appeared first on Business Insider. 2 - Apple Intelligence Will Infuse the iPhone With Generative AI At its Worldwide Developers Conference, Apple introduced its first serious foray into generative AI, with a focus on app integrations and data privacy—and a ChatGPT integration. Will Knight. WIRED. Jun13, 2024. Apple is finally getting into the generative artificial intelligence game—with a little help from an unlikely partner in OpenAI. Apple CEO Tim Cook announced Apple’s long-awaited AI reboot at the company’s Worldwide Developer Conference in Cupertino, California, today. What the company is calling Apple Intelligence, available in beta this fall, includes a handful of features that will shape the iPhone, iPad, and Mac experiences in ways large and small. Apple also gave Siri, its currently-limited voice assistant, a significant generative AI overhaul. The company also announced that it will incorporate outside AI models into its software, starting with OpenAI’s ChatGPT later this year, making clear that the experience will be opt-in only and won’t require a ChatGPT subscription.

Bản tin Công nghệ Thông tin – Ngày 12 tháng 6 năm 2024 1 - Apple không phải trả tiền cho OpenAI để truy cập ChatGPT Business Insider. Ngày 13 tháng 6 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Apple thông báo vào thứ Hai rằng họ sẽ tích hợp ChatGPT của OpenAI vào các thiết bị của mình. Tuy nhiên, những người quen thuộc với thỏa thuận này nói với Bloomberg rằng nhà sản xuất iPhone sẽ không trả tiền cho OpenAI để sử dụng sản phẩm của họ. Thay vào đó, Apple tin rằng thỏa thuận mới này sẽ đưa công nghệ của OpenAI đến gần hơn với hàng trăm triệu người dùng và sẽ có giá trị bằng hoặc lớn hơn một khoản thanh toán tiền mặt, các nguồn tin của Bloomberg cho biết. Tuy nhiên, các nguồn tin này cho biết liên minh giữa Apple và OpenAI này chưa được kỳ vọng sẽ tạo ra doanh thu đáng kể cho bất kỳ công ty nào. Thỏa thuận này vẫn có thể là một chiến thắng cho cả hai bên. Apple, một mặt, sẽ được hưởng lợi từ việc cung cấp cho người dùng quyền truy cập vào chatbot AI tiên tiến. Và OpenAI sẽ thu được lợi ích từ việc truy cập vào nền tảng rộng lớn của Apple. Việc được tích hợp vào các thiết bị có nghĩa là nó sẽ tiếp cận hàng triệu người dùng Apple, một số trong số họ có thể nâng cấp lên các phiên bản ChatGPT trả phí, với mức phí bắt đầu từ 20 đô la một tháng. OpenAI và Apple đã không trả lời ngay lập tức các yêu cầu bình luận từ Business Insider. Tuy nhiên, OpenAI có thể đang nhận được một thỏa thuận khá tốt. Điều đó được xem xét rằng việc hợp tác với Apple không thường đến miễn phí — Google vào năm 2022 đã trả cho công ty 20 tỷ đô la để có công cụ tìm kiếm của mình trở thành mặc định trên iPhone và các thiết bị Apple khác. Mức độ truy cập của OpenAI đến người dùng Apple cũng khá rộng rãi. Tại Hội nghị Nhà phát triển Thế giới của Apple vào thứ Hai, Apple thông báo rằng họ sẽ thêm ChatGPT vào các sản phẩm iPhone, iPad và Mac của mình. Người dùng sẽ có quyền truy cập vào các công cụ viết, đọc tài liệu và tạo hình ảnh mà không cần chuyển đổi giữa các ứng dụng. Gã khổng lồ công nghệ cũng dự định tích hợp ChatGPT với Siri, trợ lý kỹ thuật số được tích hợp sẵn trong các thiết bị Apple. Người dùng có thể chọn không tích hợp và quyết định xem họ có muốn Siri gửi các truy vấn của họ đến ChatGPT hay không. Bài thuyết trình chính của WWDC của Apple, trong đó cũng thảo luận về các sản phẩm Apple Intelligence tự phát triển, đã đem lại sự nhẹ nhõm cho các nhà đầu tư lo ngại rằng công ty đang tụt hậu trong cuộc đua AI. Các nhà phân tích phản ứng với thỏa thuận OpenAI cũng dự đoán rằng sự liên kết này có thể làm giảm doanh thu của Apple, ít nhất là trong ngắn hạn. Một số nhà phân tích tại Bernstein đã viết sau bài thuyết trình chính của WWDC rằng mặc dù việc chia sẻ doanh thu có thể có lợi cho cả hai công ty, nhưng "một số người dùng có thể từ các truy vấn tìm kiếm truyền thống" (như Google) sang sử dụng chatbot được hỗ trợ bởi AI (như ChatGPT) để tìm kiếm thông tin, điều này vẫn có thể ảnh hưởng đến lợi nhuận đầu tư của Apple. Điều đó nói rằng, Apple cũng có thể giới thiệu các hợp tác tương tự với các chatbot khác. Giám đốc điều hành cấp cao của Apple, Craig Federighi, cũng cho biết tại bài thuyết trình chính của WWDC rằng Apple đang tìm cách đạt được thỏa thuận với Google để sử dụng mô hình AI Gemini của họ. Apple cũng đã tổ chức các cuộc thảo luận với Anthropic cho một thỏa thuận chatbot tiềm năng, những người quen thuộc với vấn đề này nói với Bloomberg vào tháng Ba. 2 - Apple Intelligence sẽ thêm trí tuệ nhân tạo tạo sinh vào iPhone Will Knight. WIRED. Ngày 13 tháng 6 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Tại Hội nghị Nhà phát triển Thế giới, Apple đã giới thiệu bước đi nghiêm túc đầu tiên của mình vào lĩnh vực trí tuệ nhân tạo tạo sinh, với trọng tâm là tích hợp ứng dụng và bảo mật dữ liệu — và tích hợp ChatGPT Apple cuối cùng đã tham gia vào trò chơi trí tuệ nhân tạo tạo sinh — với một chút trợ giúp từ một đối tác bất ngờ là OpenAI Giám đốc điều hành Apple, Tim Cook, đã công bố cuộc cải tổ trí tuệ

What the Apple-OpenAI Deal Means for Four Tech Titans Deal strengthens OpenAI’s position, raises questions about startup’s relationship with Microsoft—and is a setback for Google By Deepa Seetharaman, Aaron Tilley and Miles Kruppa. Wall Street Journal. June 11, 2024. OpenAI’s deal with Apple is shaking up the competitive balance in the artificial intelligence race. The new agreement, announced Monday, gives the startup an important role in Apple’s push to bring AI to its vast population of users. At the same time, Apple rival Microsoft—OpenAI’s MSFT 1.12%increase; green up pointing triangle most important big tech partner—is also trying to make headway in consumer AI. The OpenAI-Apple collaboration deals a setback to Google, which has long paid Apple billions of dollars a year to be its default tool for internet searches. The deal helps strengthen OpenAI’s position at the forefront of the generative AI boom and marks a win for Chief Executive Sam Altman. Weeks before he attended Apple’s announcement on Monday, Altman was at a Microsoft developer conference where “Microsoft Loves OpenAI” flashed on a screen with the word “love” represented by a blue heart. Here is a look at what the news means for key players. What it means for Apple Using OpenAI gives Apple a chance to bring artificial intelligence to the masses. It may also help Apple sell more phones and restore the reputation of its voice assistant, Siri, as it develops its own AI models. Apple shares surged 7% Tuesday to $207.15. Its market value jumped by $215 billion—its largest ever one-day gain—to a record closing high of $3.176 billion. OpenAI’s role with Apple is limited. It will handle some functions that Apple’s own AI can’t, such as answering more complex queries or composing messages, with permission from the user. The OpenAI deal rated only about two minutes in Apple’s nearly two-hour presentation Monday at its annual developer conference. Apple said it would integrate its new personalized AI system, dubbed Apple Intelligence, with other AI models, including products developed by Google. Apple is also in discussions with other AI providers, said people familiar with the matter. Yet, being featured at the Apple event also gave OpenAI a chance to be touted by the world’s most successful consumer technology company as the leader in generative AI—implicitly endorsing it over Google, which has paid Apple as much as $20 billion a year to be its default search engine and is the biggest competitor to OpenAI and Microsoft. “We wanted to start with the best,” said Craig Federighi, Apple’s head of software, on Monday, adding that OpenAI “represents the best choice for our users today.” The deal clearly got under the skin of one OpenAI competitor: Elon Musk. He set up xAI last year to compete with OpenAI and has sued the startup, which he co-founded, for allegedly veering away from its original mission by giving priority to profit over benefiting humanity. “It’s patently absurd that Apple isn’t smart enough to make their own AI, yet is somehow capable of ensuring that OpenAI will protect your security & privacy!” Musk said on X. He threatened to bar Apple devices from his companies if OpenAI technology is integrated into Apple operating systems. Apple said its user information won’t be shared with ChatGPT, which runs on OpenAI servers. OpenAI can’t fingerprint user requests or see all the queries they make. What it means for Microsoft Microsoft has invested more than $13 billion into OpenAI for what is essentially a 49% stake in the earnings of its for-profit arm. The resources allowed OpenAI to develop some of the world’s most powerful AI tools. OpenAI’s technology helped Microsoft leapfrog rivals in the AI race. The terms of the partnership allow both parties to strike deals with other companies. The Apple deal raises questions about the state of the OpenAI-Microsoft partnership, what kind of exclusive access Microsoft has to OpenAI’s technology, and how