Tiêu đề gốc: Open Source Wins, AGI Is Here và AI Toolkit của Scorsese—CEO của Cerebras & Black Forest Labs
Nguồn gốc: All-In Podcast
Biên dịch gốc: Deep Tide TechFlow

Tóm tắt điểm chính

Tập này mời hai CEO của các công ty cơ sở hạ tầng AI. Andrew Feldman là người sáng lập Cerebras, công ty chuyên làm chip suy luận, vừa hoàn tất IPO và hiện có trong tay 25 tỷ USD đơn hàng tồn đọng. Ông nhấn đi nhấn lại một điều: nhu cầu về năng lực tính toán cho AI đã kín từ lâu, không hề có chuyện “xây xong thì chờ người đến”. Lòng tham của OpenAI, Anthropic, SpaceX và Google vượt xa nguồn cung. Và sự xuất hiện của suy luận (reasoning) khiến mức độ tính toán lại bùng nổ lần nữa — đây đúng là “chiến trường” của những cỗ máy nhanh. Robin Rombach là người sáng lập Black Forest Labs, ông làm các mô hình hình ảnh và video tạo sinh (dòng Flux). Trước đó, ông phát minh thuật toán latent diffusion — nền tảng của mọi mô hình tạo ảnh và tạo video hiện nay. Gần đây ông hợp tác với Martin Scorsese để đạo diễn dùng AI trực quan hóa các cảnh trong đầu; nhưng thứ ông hào hứng hơn là: cùng một bộ mô hình đa phương thức có thể làm phim, và cũng có thể triển khai lên robot như “bộ não”. Điểm đến của video tạo sinh không nằm trên màn hình, mà nằm trong thế giới vật lý.

Tóm tắt các quan điểm nổi bật

Suy luận mới là “hố đen” tính lực tiếp theo

· “Điều thú vị là lần này khác với trước đây: họ không cược vào ‘xây xong sẽ có người đến’. Nhu cầu đã đặt kín công suất rồi. Chúng tôi có 25 tỷ USD đơn hàng tồn đọng.”

· “Suy luận chính là reasoning. Reasoning tiêu tốn lượng token khổng lồ, và đó đúng là chiến trường của cỗ máy nhanh.”

· “Nếu Cerebras nhanh hơn 15 lần, bạn chạy 24 giờ thì tương đương chạy suy nghĩ vài tuần thậm chí vài tháng.”

Mở nguồn và chủ quyền: doanh nghiệp cần quyền kiểm soát

· “Không ai thích bị phụ thuộc. Bài học từ thời các hãng quy mô cực lớn, bắt đầu từ kỷ nguyên x86, là bị Intel ‘trói’.”

· “Bạn không cần phải có chip nhanh nhất. Bạn chỉ cần không phụ thuộc hoàn toàn vào chip của người khác.”

· “Nếu bây giờ muốn chạy mô hình mã nguồn mở, hoặc là OSS 12B của OpenAI, hoặc là mô hình của Trung Quốc. Mỹ cần thêm nhiều lựa chọn mã nguồn mở nội địa.”

AGI theo định nghĩa 20 năm trước đã đến

· “Bất kỳ định nghĩa AGI nào mà cách đây 20 năm, 30 năm, 40 năm chúng ta đưa ra, hiện tại đều đã vượt xa chúng ta.”

· “Bài test Turing? Từ lâu đã bị ‘đánh nát’ rồi.”

· “Vấn đề không còn là chúng ta không biết hỏi thế nào. AI ngược lại còn có thể nói với bạn: ‘Này mấy con người ngốc nghếch, các bạn chưa cân nhắc điều này’.”

Video tạo sinh không nhằm thay thế con người sáng tạo

· “Những mô hình AI này là một phương tiện truyền thông. Chúng tôi không muốn chỉ định cách dùng ra sao, nhất là với những người như Martin Scorsese.”

· “Ngôn ngữ là một cách giao tiếp hơi kém hiệu quả. Tín hiệu thông tin từ hình ảnh lại quá phong phú. Biến những hình ảnh trong đầu thành các hình ảnh nhìn thấy được — đó là nơi kỹ thuật phát huy sức mạnh nhất.”

· “Kết quả thú vị nhất, gần như đều xuất hiện khi con người ở trong vòng lặp và liên tục lặp lại.”

Từ phim tới robot: cùng một bộ mô hình

· “Bạn có thể dùng cùng một mô hình đa phương thức để quay một bộ phim, rồi triển khai nó thành ‘bộ não’ cho robot.”

· “Video tiền huấn luyện đã dạy ngầm cho mô hình các quy luật tương tác vật lý; sau đó bạn trích ra dự đoán hành động từ đúng mô hình đó, tức là điều khiển robot.”

· “Mục tiêu là để bạn có thể dùng in-context prompt ra lệnh cho robot: ‘Mang ly nước cam đó lại đây’. Hiện tại chúng tôi chưa làm được, nhưng đó là hướng đi.”

AI cơn sốt hạ tầng: trung tâm dữ liệu còn to hơn cả thành phố

Người dẫn chương trình: Chúng tôi chưa bao giờ thấy quy mô xây dựng như thế này. Từ Vạn Lý Trường Thành, kim tự tháp… loài người không từng đổ vốn, thời gian và trí tuệ của nhiều người đến vậy để xây một thứ. Thực ra bạn đang làm việc đó: khách hàng của bạn đang xây trung tâm dữ liệu, còn bạn là mắt xích then chốt. Năm 2026, Cerebras đang làm gì? Những dự án khổng lồ bên bang Texas kia thì thế nào?

Trả lời: Các trung tâm dữ liệu mà chúng tôi đang nói tới, trong vài năm tới sẽ tiêu thụ lượng điện vượt tổng lượng điện của Trái Đất trong 50 năm trước đó. Riêng một tòa nhà còn lớn như sân vận động bóng đá, lượng điện được cấp vào vượt quá một thành phố cỡ trung bình. Khắp nước Mỹ đang xây, Canada cũng đang xây, Bắc Âu đang xây, Paris và toàn bộ nước Pháp cũng đang xây, Trung Đông cũng đang xây, thậm chí cả Kazakhstan, Tajikistan và Georgia cũng đang xây các trung tâm dữ liệu quy mô lớn. Mỗi quốc gia, mỗi bang đều muốn tham gia.

Ai là người thanh toán? OpenAI, Anthropic, SpaceX AI và Google — khẩu vị lớn đến mức đáng sợ. Điều thú vị là lần này khác với nhiều cơn sốt công nghệ trước đây: họ không phải đặt cược vào việc “xây xong rồi sẽ có người đến”. Nhu cầu đã đặt kín công suất rồi. Chúng tôi có 25 tỷ USD đơn hàng tồn đọng. OpenAI muốn thêm trung tâm dữ liệu, Microsoft muốn thêm, AWS cũng muốn thêm. Nhu cầu không chờ khách; khách đã xếp hàng sẵn.

Người dẫn chương trình: Điều này cũng sinh ra một từ gọi là “token maxing”, cứ vô hạn đẩy token. Có người nghi ngờ rằng nhu cầu lớn đến vậy liệu có tạo ra giá trị thực sự không?

Trả lời: Tất nhiên có rất nhiều giá trị đang được tạo ra. Nhưng cũng có rất nhiều thứ thử bừa. Tôi so với thời điểm mới ra mắt AWS thì thấy “lách” qua bộ phận IT nội bộ quá sướng: mỗi kỹ sư lấy thẻ tín dụng là đăng ký được. Nhiều việc đúng là hữu ích, nhưng sau này nghĩ lại thì có vài thứ kiểu “à, không nên làm vậy”. Tuy vậy, nhìn chung vẫn có lãi, chỉ là một số hướng đi bị hụt.

Tôi nhớ lần Costco ở Palo Alto mở cửa năm 1988: mọi người đi xem như đi Safeway, mỗi dãy hàng đều đi qua. Cách đó rất tệ: bạn mua bốn món không cần thiết, mỗi món 22 USD. Sau đó mọi người học ra chiến lược: lấy gà ở phía sau, lấy 18 cái bánh cupcake giấy cho bữa tiệc sinh nhật trẻ con — gọn gàng. Việc tiêu thụ token AI cũng vậy: ban đầu ai cũng dùng thoải mái, giờ doanh nghiệp bắt đầu bàn chiến lược: nhiệm vụ nào dùng mô hình mã nguồn mở là đủ, nhiệm vụ nào cần dùng mô hình tiên tiến hơn. Chúng ta bắt đầu quản lý AI như quản trị một công việc kinh doanh.

Suy luận thay thế huấn luyện: vì sao cỗ máy nhanh là nhân vật chính của làn sóng này?

Người dẫn chương trình: Sam Altman từng nói trên AllIn rằng bước tiếp theo là reasoning — hiểu ý định, xây chiến lược và đối chiếu chéo với các thread/agent khác. Từ việc “đoán từ tiếp theo”, chúng ta đã đi rất xa; còn Cerebras giờ lại đang đứng đúng vị trí trung tâm, vì reasoning chính là inference và khối lượng tính toán cực kỳ lớn.

Trả lời: Suy luận tiêu tốn lượng token khổng lồ — và điều đó tạo ra chiến trường cho cỗ máy nhanh. Mỗi bước reasoning đều nuốt token ở bên trong. Bạn vốn trước đây phải bỏ nhiều thời gian để đổi lấy câu trả lời tốt. Cerebras nhanh hơn 15 lần nghĩa là chạy 24 giờ suy luận tương đương với lượng suy nghĩ của người khác trong vài tuần thậm chí vài tháng.

Sáng nay tôi thử một mô hình GLM-52 của ZAI trên BitTensor: cho nó vô hạn tính lực để mỗi giờ nó nói cho tôi về các xu hướng trên thế giới còn chưa bị nhận diện. Nó bắt đầu tự tranh luận: nên tìm xu hướng ở Hacker News và Reddit? Hay ở Instagram thì xu hướng xuất hiện sớm hơn? Tôi ngồi xem một mô hình suy luận tự tranh luận ở hậu trường — nó đang làm suy luận. Token vô hạn tương đương suy luận vô hạn; Cerebras nhanh hơn 15 lần, tức là 24 giờ tương đương vài tuần của người khác.

Người dẫn chương trình: Cerebras có “Moore’s Law” riêng không? Trong nội bộ tranh luận bao lâu thì tăng gấp đôi?

Trả lời: Tất cả các chip trước đó đều đi theo Moore’s Law: cứ 18 tháng lại tăng gấp đôi. Chúng tôi dùng con chip này để “bẻ gãy” đường đó, tạo ra một quỹ đạo mới hoàn toàn. Dự đoán của tôi là trong 18 tháng tới, mức tăng sẽ vượt xa 2 lần. Kiến trúc mới còn nhiều chỗ để tối ưu hơn nữa. GPU là kiến trúc cũ của 20 năm trước, chỉ có thể “gồng” bằng cách thu nhỏ tiến trình chế tạo; nhưng kiến trúc mới vẫn còn rất nhiều thứ để học, để tinh chỉnh.

Người dẫn chương trình: Với 25 tỷ USD đơn hàng tồn đọng trong tay, bạn còn phải bám nhịp OpenAI — họ có thể là đối thủ cạnh tranh tiềm năng trong tương lai. Bạn vận hành công ty thế nào?

Trả lời: Hiện tại “bản silicon” sẽ không bị nhàn rỗi vì nhu cầu quá lớn. Nhưng bạn nói đúng: OpenAI cũng đang làm chip của riêng họ, Amazon cũng vậy. Không ai thích bị phụ thuộc. Bài học từ thời các tập đoàn quy mô cực lớn trong kỷ nguyên x86 là bị Intel ‘trói’; còn các hãng GPU thì học được bài học là bị ràng buộc bởi một vài khách hàng siêu lớn, nên họ đã tài trợ cho hạ tầng cloud mới. Tự làm chip thì trọng tâm không nằm ở việc nhanh nhất, mà nằm ở việc không phụ thuộc hoàn toàn người khác, ít nhất là nắm quyền kiểm soát một phần quan trọng số phận của chính mình.

Mở nguồn và chủ quyền: doanh nghiệp cần quyền kiểm soát

Người dẫn chương trình: Mã nguồn mở đang bước vào một thời khắc. Tôi dùng OpenClaude từ sớm, sau đó dùng Kimmy và thấy token của Claude thì đang bùng nổ, còn với Kimmy tôi không phân biệt được khác biệt. Mô hình mã nguồn mở bắt đầu làm reasoning, khoảng cách năm nay đột nhiên được thu hẹp.

Trả lời!: Bạn không muốn đi thuê Ferrari vào siêu thị. Đôi khi dùng xe thể thao, đôi khi dùng minivan; trẻ con rơi Cheerios xuống sàn cũng không xót. Doanh nghiệp cũng vậy: bài toán khó giao cho mô hình tiên tiến (OpenAI, Anthropic, Gemini), nhưng phía sau là rất nhiều vấn đề hằng ngày chỉ cần năng lực mã nguồn mở vững chắc. Hãy nghĩ xem một công ty có bao nhiêu thời gian để làm mấy việc kiểu “cắt dán trong Workday vào một ô Excel khác”? Việc đó không cần toán “vàng”, chỉ cần mã nguồn mở đáng tin là đủ.

Gần đây tôi lật thêm một lá bài nữa: các ngành chịu quản lý như tài chính, y tế (HIPAA, FINRA) sợ rò rỉ dữ liệu, sợ chủ quyền AI bị người khác nắm giữ. Vì vậy họ muốn chạy mô hình tại chỗ và lấy bản mã nguồn mở để kiểm soát nhiều hơn. Vài tháng trước, OpenAI đã thả OSS 12B ra — cũng được. Nhưng bây giờ, nếu Mỹ muốn chạy mã nguồn mở, hoặc là OSS 12B, hoặc là mô hình của Trung Quốc. Lựa chọn mã nguồn mở nội địa quá ít. NVIDIA cũng thấy cửa sổ này và đang thúc đẩy mô hình mã nguồn mở của riêng mình, nhưng Jensen cũng đang do dự: khách hàng của ông là Sam, Dario, Elon, Sergey; nếu mở mã nguồn thì liệu có cướp đi công việc kinh doanh của khách không?

Cerebras đứng ở vị trí tương đối trung tính: chúng tôi chạy GLM, chạy Kimmy, chạy dòng Qwen, và cũng chạy các mô hình đóng của OpenAI. Chúng tôi cũng chạy các mô hình do GSK tự phát triển, và các mô hình riêng của UAE G42 và MBZUAI. Chủ quyền chính là một xu hướng.

AGI đã đến, mô hình sẽ không chết, con người sẽ

Người dẫn chương trình: Khi Fable 5 và o-56 được công bố, chính phủ nói “dừng một chút rồi hãy thả tiếp”. Quan hệ giữa Anthropic và tầng hành chính đang căng thẳng, giờ bắt đầu dịu lại. Bạn có nghĩ việc công bố theo từng bước là hợp lý không? Mô hình thật sự có nguy hiểm không?

Trả lời: Tôi chưa bao giờ thấy chuyện kiểu này trước đó. Nhưng nếu ngẫm lại thì: khi một mô hình đã đủ mạnh trong tư duy sáng tạo, chính phủ nói “xin hãy công bố theo từng bước”, tôi nghĩ điều đó không có gì sai. Chúng tôi quản cả những loại thuốc mạnh cũng tương tự: đương nhiên không khuyến khích đống giấy tờ rác 7 năm của FDA, nhưng việc nói “ít nhất để chính phủ làm vài bài kiểm tra red team, xác nhận phòng thủ của chúng tôi có chịu được không”, và “bổ sung những lỗ hổng rõ ràng trong vài tuần” — thì cũng không phải yêu cầu vô lý.

Nhưng bây giờ là lúc phân cực cực độ. Nếu chuyện này không phải do Trump làm, thì đổi sang bất kỳ tổng thống nào khác, phản ứng có thể hoàn toàn khác. Phân cực làm hỏng tư duy rõ ràng. Hai bên đều sẽ làm chuyện ngu và cũng làm chuyện thông minh. Nhân viên tuyến cơ sở trong chính phủ thực ra rất nghiêm túc, chỉ là mọi việc diễn ra quá nhanh.

Nikesh của Palo Alto Networks từng nói với tôi: họ thử nghiệm mô hình trên phần mềm của chính họ và phát hiện hàng chục lỗ hổng then chốt trong vòng một giờ, buộc họ phải dừng toàn bộ công việc trên tay và mất 6 tuần để vá. Bạn nhận ra đây là một công cụ mạnh: có thể trước tiên cho một nhóm nhỏ xem, hoặc trước tiên làm bài red team.

Người dẫn chương trình: Theo bất kỳ định nghĩa nào cách đây 20 năm, AGI đã đến. Bạn nghĩ sao?

Trả lời: Đúng. Bài test Turing? Từ lâu đã bị đánh bể. Bất kỳ định nghĩa nào được đưa ra cách đây 10 năm, 15 năm, 20 năm, 30 năm, 40 năm, 50 năm trước — chúng tôi đều đã vượt xa. Những câu hỏi mà nhà văn khoa học viễn tưởng đưa ra, chúng tôi đều trả lời xong; họ sẽ nói: “Tôi hết vấn đề rồi, xin lỗi nhé.” Chính vì vậy, những lời nói của những người trông có vẻ ở rìa lại đáng nghe. Ilya cách đây 8 năm nói về an toàn, bạn hỏi “gì cơ?” rồi cuối cùng ông ấy nói đúng. Elon nói chi phí tên lửa sẽ giảm về gần 0, bạn bảo “gì cơ?” rồi cuối cùng ông ấy đã làm được.

Người dẫn chương trình: Recursive learning: bạn hỏi nó một câu hỏi, nó học được kết quả, rồi bạn hỏi lại lần nữa; câu trả lời tốt hơn, bao phủ thêm nhiều tài liệu. Những câu trả lời tạo ra từ các vòng lặp này nhảy từ “tốt hơn một chút” sang “tốt hơn nhiều”. Độ dốc của đường cong theo hàm mũ quá dốc.

Trả lời: Lợi ích cộng dồn theo kiểu đệ quy là theo cấp số nhân: bạn tốt hơn, rồi hỏi lại tiếp nữa để tiếp tục tăng trưởng, làm độ dốc càng dốc. Chúng tôi mới bắt đầu nhìn thấy điều này. Nếu cứ tiếp tục đổ thêm tính lực, câu trả lời sẽ ngày càng tốt hơn? Khi chạy hết token hoặc hết ngân sách thì dừng, nhưng câu hỏi thú vị là: đường cong theo hàm mũ này sẽ đi đến đâu? Hay nó sẽ mãi đi lên phía tay phải? Đây là câu hỏi rất đáng quan tâm ngay bây giờ.

Tốc độ học của con người bị “khoá” bởi chu kỳ thế hệ: voi và các động vật có vú lớn phải 15-20 năm mới thay một thế hệ. Muốn nhanh thì phải như ruồi giấm: một ngày hai thế hệ. AI đang đạt được tốc độ học vượt qua hàng nghìn thế hệ kiểu đó. Khi tôi học tâm lý học, một giáo sư từng nói: “mô hình sẽ không chết, con người sẽ.” Học trò của Freud, Skinner, Jung nắm vị trí lãnh đạo 20-40 năm, rồi mới có thế hệ tiếp theo đặt câu hỏi. AI đã ép khoảng cách giữa các thế hệ lại với tốc độ ruồi giấm.

Tôi đặt cược rằng: con cái của chúng ta và tất cả những người họ biết sẽ không chết vì ung thư. Sẽ có dao động kinh tế — khi ô tô xuất hiện, người làm móng ngựa không còn dễ sống. Nhưng nếu liệt kê phần được và mất: năng lượng vô hạn, thức ăn vô hạn, kiến thức vô hạn, giáo dục vô hạn, nhà ở vô hạn. Trong suốt một nghìn năm, chúng ta đã biết rằng học kèm 1-1 tốt hơn lớp học; Aristotle kèm Alexander, Socrates kèm các học trò của mình. Nhưng chúng ta lại chọn kiểu dạy như nuôi trồng trong nhà máy. Giờ đây AI có thể làm một “người thầy” phù hợp với cách học của từng đứa trẻ.

Hộp công cụ AI của Scorsese: biến những hình ảnh trong đầu thành hiện thực

Người dẫn chương trình: Robin Rombach là đồng sáng lập kiêm CEO của Black Forest Labs, trụ sở ở Freiburg vùng Hắc Rừng và ở San Francisco. Trước đây anh đã làm Stable Diffusion và phát minh thuật toán latent diffusion. Black Forest Labs làm gì? Mục tiêu là gì?

Trả lời: Tôi và các đối tác thành lập công ty này cách đây hai năm. Trước đó chúng tôi làm Stable Diffusion; sớm hơn nữa, chúng tôi phát minh latent diffusion — thuật toán nền tảng đằng sau mọi thứ từ tạo ảnh, tạo video cho tới các mô hình AI vật lý hiện nay. Nguyên lý là nén dữ liệu tự nhiên (hình ảnh, video, âm thanh) vào không gian biểu diễn hiệu quả, rồi huấn luyện transformer trên đó — giống như nguyên lý JPEG và MP3, nhưng dùng thuật toán mạng neural. Thứ này chúng tôi đã làm ra trong thời gian làm tiến sĩ ở Munich.

Hiện tại chúng tôi đang tập trung vào mô hình thị giác đa phương thức: vừa tiền huấn luyện trên dữ liệu hình ảnh lẫn âm thanh, đang bước vào một mô thức mới. Đó là kết hợp action prediction để cùng một mô hình làm ra hình ảnh, làm ra video, làm ra âm thanh và dự đoán hành động — cuối cùng có thể triển khai lên robot trong thế giới thực.

Người dẫn chương trình: Từ hình ảnh sang video sang âm thanh đến robot: nếu mô hình tạo được video thì nghĩa là nó hiểu thế giới.

Trả lời: Có hai dạng trí tuệ bổ trợ nhau: trí tuệ trực giác và suy luận sâu. Chúng tôi đi từ phía trực giác, vì hình ảnh là điểm vào tự nhiên nhất và lượng tính toán không nặng như video. Nhưng hiện tại chúng đang hội tụ thành mô hình đa phương thức. Video tiền huấn luyện dạy ngầm cho mô hình các quy luật tương tác vật lý; rồi từ đúng mô hình đó rút ra dự đoán hành động, tức là điều khiển robot.

Người dẫn chương trình: Bạn hợp tác với Martin Scorsese? Bạn ngồi cạnh ông ấy để ông ấy dùng công cụ của mình à?

Trả lời: Đúng vậy. Tôi và ông ấy ngồi trong cùng một căn phòng. Ông ấy khám phá mô hình của chúng tôi; với tư cách là một trong những nhà nghiên cứu cốt lõi, ông ấy ngồi ngay bên cạnh — cảm giác điên rồ thật. Đồng thời tôi cũng là fan lớn của ông ấy.

Ông ấy muốn trực quan hóa những cảnh trong đầu. Ông ấy mô tả một ngôi làng ở Đông Âu nào đó, chúng tôi xem đầu ra, ông ấy lặp lại. Cuối cùng ông ấy nói rằng: biến những hình ảnh trong đầu thành biểu đạt thị giác — hiệu suất giao tiếp kiểu đó cao hơn ngôn ngữ rất nhiều. Ngôn ngữ là một cách giao tiếp hơi “mất mát”, còn tín hiệu thông tin từ thị giác quá phong phú: một bức ảnh hay một đoạn video chứa lượng thông tin khổng lồ. Đây là một kênh giao tiếp khác.

Chúng tôi không muốn chỉ định cách dùng các mô hình này ra sao, nhất là sẽ không nói với Martin Scorsese “anh nên dùng như thế này”. Mô hình AI là một phương tiện truyền thông. Thứ thú vị nhất, gần như đều xuất hiện khi con người ở trong vòng lặp và liên tục lặp lại.

Từ phim đến robot: điểm đến của mô hình tạo sinh không nằm trên màn hình

Người dẫn chương trình: Startups bây giờ dùng Flux và mô hình của các bạn để làm video phát hành. Trước đây tốn 250 nghìn USD làm launch video, giờ chỉ mất một đến hai tuần là xong. Gal Gadot vừa làm một bộ phim Bitcoin: diễn viên biểu diễn trên sound stage mà không cần green screen, mọi bối cảnh dùng AI tạo sinh. Với ngân sách 30 triệu USD, họ tạo ra hiệu ứng mà trước đây muốn được cần 150 triệu USD. Bạn thấy việc dùng trong sản xuất rồi không?

Trả lời: Tôi thấy rồi, có một số trường hợp. Sản xuất phim cấp cao là một trong những use case khó khăn nhất. Tôi rất vui vì có người đang khám phá, nhưng tôi cũng muốn nói rõ: công nghệ vẫn đang trong quỹ đạo và đang lặp nhanh. Vài năm trước, lúc chúng tôi làm PhD chỉ có thể tạo ảnh 64×64; giờ chúng tôi làm video độ phân giải cao với nhiều đầu vào, nhưng nó sẽ không dừng lại ở đó.

Thứ làm tôi phấn khích nhất là thế này: bạn có thể lấy cùng một mô hình đa phương thức để quay một bộ phim, rồi đem triển khai nó thành bộ não trên robot. Chuyện computer use có dùng được hay không thì còn chưa chắc, nhưng công nghệ đang tiến về phía thế giới vật lý: world models, action models — nói thẳng ra, tất cả đều là cùng một thứ.

Người dẫn chương trình: Dữ liệu huấn luyện lấy từ đâu? Cho con người đeo kính, đeo găng để thu thập dữ liệu góc nhìn thứ nhất? Hay chỉ cần xem trên YouTube hàng nghìn video người ta đổ nước vào cốc là đủ?

Trả lời: Mục tiêu là dùng in-context prompt để ra lệnh cho robot: “Mang ly nước cam đó lại đây”. Hiện tại chưa làm được. Cách tiếp cận hiện tại là: mô hình đã được “nhồi” nhận thức thị giác từ rất nhiều dữ liệu; chỉ cần vài giờ dữ liệu micro-tuning để thích nghi với phần cứng cụ thể. Hướng đi là tối thiểu hóa micro-tuning, tối đa dựa vào in-context prompt — nhưng đó vẫn là vấn đề nghiên cứu.

Người dẫn chương trình: Mở nguồn đang có một thời khắc, doanh nghiệp cần chủ quyền. Với những “kho IP” kiểu Disney, nên làm thế nào: lấy mô hình mã nguồn mở của bạn rồi tự huấn luyện, hay hợp tác huấn luyện mô hình riêng độc quyền?

Trả lời: Use case thú vị nhất nằm ở chỗ tạo ra những thứ trước đây chưa từng có. Đó mới là điều hấp dẫn nhất về công nghệ này. Công cụ công khai của chúng tôi không thể tạo ra IP cụ thể — điều đó là hợp lý. Chúng tôi cũng thực sự hợp tác với một số bên sở hữu IP để phát triển mô hình: có cái dựa trên mô hình mã nguồn mở của chúng tôi, có cái dựa trên mô hình proprietary mạnh hơn của chúng tôi.

Góc nhìn thú vị nhất là: công nghệ trở nên nhanh hơn và tương tác hơn. Bạn có thể tưởng tượng trên Disney+ treo sẵn đủ loại công cụ sáng tạo nội dung tương tác.

Người dẫn chương trình: Hiện tượng thú vị nhất hiện nay là fan films. Trước đây có fan fiction viết câu chuyện Star Wars của riêng họ; sau đó có người mặc đồ Jedi để quay fan films. George Lucas nói miễn là không dùng vì mục đích thương mại thì được. Giờ người ta dùng AI để tái hiện lại những câu chuyện Star Wars chưa từng được kể: Star Wars Stories Untold, mỗi video có hàng triệu lượt xem. Đây mới là tương lai: để người tiêu dùng trả tiền xin giấy phép, rồi họ dùng chính nhân vật để sáng tác câu chuyện của mình.

Trả lời: Nếu tìm được mô hình thương mại khả thi cho phía sở hữu IP, đồng thời mở ra cách chơi tùy biến sáng tạo “siêu mạnh” như vậy thì thật tuyệt. Tôi đọc một cuốn sách hay xem một bộ phim lúc nào cũng nghĩ “Nếu câu chuyện phát triển theo hướng như thế thì sao”. Giờ cuối cùng cũng có thể làm những ý nghĩ đó trở nên hữu hình.

Chúng tôi vừa qua mốc 100 người. Đang tuyển nhân sự ở Đức và San Francisco: các nhà nghiên cứu huấn luyện mô hình quy mô lớn, người có kinh nghiệm huấn luyện diffusion và flow matching, kỹ sư cùng khách hàng phát triển phương án tùy biến, người vận hành hạ tầng tính toán quy mô lớn, và cả những người quan tâm đến việc đưa công nghệ đến nhiều người hơn.

Link gốc

Bấm để tìm hiểu Luật động BlockBeats đang tuyển dụng các vị trí

Chào mừng bạn tham gia cộng đồng chính thức của Luật động BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia