Quốc gia Hoa Ngày xưa có một câu tục ngữ: “Bảy ngày trên núi, hàng nghìn năm dưới thế gian”. Cảm giác của Ni Lan Trần lúc này cũng giống như câu tục ngữ đó vậy.

Sau khi tắm rửa qua loa, ông ta được đưa đến trụ sở chính của META tại New York. Zuckerberg nhìn ông ta với vẻ kính trọng và nói: “Giáo sư Balasubramanian, tôi biết rằng ông có những thành tựu xuất chúng trong lĩnh vực trí tuệ nhân tạo.”

Ni Lan Trần nghĩ thầm, cái họ khó đọc như của mình mà Zuckerberg lại có thể phát âm một cách rõ ràng như vậy, thật là không dễ dàng cho ông ấy chút nào.

Ngay sau đó, những lời nói của Zuckerberg bắt đầu đi ra ngoài dự đoán của ông ta.

Mình có những thành tựu xuất chúng trong lĩnh vực trí tuệ nhân tạo à? Ni Lan Trần tự hỏi liệu có điều gì đang ẩn sau câu nói này không, nhưng rồi ông ta nghĩ lại, một người lớn như Zuckerberg, một trong những người giàu nhất thế giới, chắc chắn không thể muốn lừa dối mình đâu.

Hơn nữa, với tư cách là một giáo sư trong lĩnh vực trí tuệ nhân tạo tại Đại học Stony Brook, việc nói rằng mình có những thành tựu xuất chúng cũng không phải là không có cơ sở.

“Thực sự, tôi có những quan điểm riêng về trí tuệ nhân tạo,” Ni Lan Trần nói với nụ cười, những ngày bị giam cầm trong suốt hơn một năm trước cuối cùng cũng đã kết thúc, và giờ đây, ông ta sẽ bắt đầu một cuộc sống mới. Nụ cười tự tin, tư thế ngồi thoải mái và trí tuệ sâu sắc lại một lần nữa chiếm ưu thế trong tâm trí ông ta.

Nghe xong, Zuckerberg càng cười vui hơn: “Quả thật là giáo sư của Randolph, tôi đã biết rằng ông chắc chắn không phải là người bình thường!”

Zuckerberg đã không mất nhiều công sức để giải cứu Ni Lan Trần khỏi tù. Dù sao thì ông ta cũng là một đối tác đáng tin cậy lâu năm của phe “Lừa đảo”, và đã quyên góp rất nhiều tiền cho họ.

Ni Lan Trần cũng không hề phạm tội thực sự; Cục Điều tra Liên bang đã điều tra mãi nhưng không tìm thấy bất kỳ bằng chứng nào liên quan giữa Ni Lan Trần và sự kiện con người đặt chân lên Mặt Trăng lần đầu tiên vào thế kỷ 21.

Trước đây, họ giữ ông ta lại chỉ vì coi ông ta là kẻ chịu tội thay cho ai đó – một giáo sư gốc Ấn Độ không có bất kỳ quan hệ quan trọng nào, có vẻ như rất thích hợp để gánh vác trách nhiệm này.

Nhưng khi Zuckerberg can thiệp, Ni Lan Trần lại trở thành một người vô cùng bình thường; ông ta đã dễ dàng được giải cứu.

Hơn nữa, việc ông ta có thể bị giam cầm hơn một năm cũng chứng tỏ rằng ông ta thực sự có những năng lực đáng kể.

“Giáo sư Balasubramanian, ông nghĩ gì về các mô hình ngôn ngữ l

Trong lòng, anh ta cười amarg: Đây là chuyện gì vậy? Mình rõ ràng vô tội mà bây giờ lại phải thể hiện ra giá trị mới được coi là vô tội… Quốc gia này thật là…

“Tôi cho rằng đây là một hướng có tiềm năng phát triển lớn. Vài năm trước, tại hội nghị ACL, tôi đã công bố bài báo ‘DeFormer: Decomposing Pre-trained Transformers for Faster Question Answering’, nhằm giải quyết những hạn chế của các mô hình trả lời câu hỏi dựa trên Transformer – đó là tốc độ tính toán chậm và lượng bộ nhớ sử dụng cao do cấu trúc attention tổng quát ở tất cả các tầng. Tôi đã đề xuất DeFormer, một biến thể của Transformer.”

Ở các tầng thấp hơn, DeFormer sử dụng loại attention rộng dành cho từng câu hỏi và đoạn văn thay vì attention tổng quát, nhằm tránh việc tính toán chồng chéo giữa các chuỗi câu hỏi và đoạn văn.

Điều này cho phép xử lý văn bản đầu vào một cách độc lập, giúp thực hiện việc tính toán trước cho các đoạn văn, từ đó giảm đáng kể thời gian thực hiện các thao tác tính toán trong quá trình chạy chương trình.

Cấu trúc của DeFormer tương tự như Transformer; nó có thể được khởi tạo bằng các trọng số đã được huấn luyện sẵn và sau đó được điều chỉnh lại trên tập dữ liệu QA.

Các thí nghiệm của chúng tôi cho thấy rằng phiên bản BERT và XLNet sử dụng DeFormer đã tăng tốc độ thực hiện các nhiệm vụ trả lời câu hỏi lên hơn 4,3 lần, và chỉ mất thêm 1% độ chính xác do sự khác biệt trong thuật toán tính toán.”

Bài báo mà Ni Lan Trân đang nói đến là công trình ông công bố tại hội nghị ACL năm 2020; đây được coi là một tác phẩm kinh điển trong lĩnh vực tối ưu hóa các mô hình LLM. Lúc bấy giờ, mô hình BERT đang rất phổ biến, và bài báo này đã đưa ra những giải pháp để khắc phục nhược điểm lớn nhất của các mô hình LLM, đó là chi phí tính toán cao.

“Bao gồm cả một công trình khác của tôi vào năm 2020; thực ra, nó cũng mang logic cơ bản tương tự như các mô hình LLM, đặc biệt là cấu trúc attention đa tầng.”

Ni Lan Trân chắc chắn không phải là người thiếu kiến thức; ông đã nghiên cứu trong lĩnh vực trí tuệ nhân tạo trong nhiều năm và đã đạt được nhiều thành tựu quan trọng, với hàng loạt bài báo được công bố trên các hội nghị khoa học uy tín, tất cả đều liên quan đến lĩnh vực LLM.

Đó là vào năm 2020… Khi đó, các mô hình lớn vẫn còn chưa được biết đến nhiều, và lĩnh vực trí tuệ nhân tạo vẫn còn được coi là một hướng nghiên cứu ít được quan tâm.

Zuckerberg đã phải chi rất nhiều tiền cho những dự án không thành công khi đổi tên Facebook thành Meta, vì ông đã đánh giá sai thời điểm xuất hiện của thế giới metaverse… Nhưng điều đó không có nghĩa là ông không thông minh. Việc ông mời Ni Lan Trân tham gia dự án chỉ đơn

Việc Ni Lan Trân thực sự có nhiều kiến thức và kỹ năng cũng là một lý do quan trọng.

  Trong các công việc then chốt của các mô hình lớn, bao gồm cơ chế tự chú ý, hệ thống chú ý đa đầu và mã hóa vị trí, Ni Lan Trân đều đã nghiên cứu sâu rộng; dù sao thì một trong những hướng nghiên cứu chính của anh ấy cũng chính là lĩnh vực NLP.

  Zuckerberg cảm thấy vô cùng hài lòng, tin chắc mình đã tìm đúng người.

  “Giáo sư Balasubramanian, trong quá trình huấn luyện các mô hình LLM, ông đã giải quyết những vấn đề liên quan đến hiện tượng overfitting hay underfitting như thế nào?”

  “Với quá trình huấn luyện quy mô lớn, việc pre-training yêu cầu học hỏi những biểu diễn chung từ lượng dữ liệu khổng lồ không được gán nhãn; chúng ta có thể sử dụng phương pháp modeling ngôn ngữ với mask hoặc dự đoán câu tiếp theo; ngoài ra, việc fine-tuning trên các tập dữ liệu cụ thể sẽ giúp điều chỉnh các tham số, từ đó thực hiện việc học máy di chuyển (transfer learning).

  Đối với vấn đề overfitting, tôi cho rằng việc sử dụng các biện pháp regularization và dropout sẽ rất hiệu quả – ví dụ, trong phiên bản BERT, tỷ lệ dropout được đặt ở mức 0.1, đồng thời áp dụng cơ chế early stopping; khi gặp tình trạng underfitting, chúng ta có thể tăng độ sâu của mô hình hoặc sử dụng các kỹ thuật tăng cường dữ liệu.

  Trong các dự án trước đây, tôi đã sử dụng phương pháp gradient clipping để giải quyết tình trạng mô hình không ổn định trong quá trình huấn luyện; nhờ đó, tỷ lệ overfitting trên bài kiểm tra GLUE đã giảm từ 15% xuống còn 5%, điều này giúp các mô hình lớn hoạt động hiệu quả hơn trong việc thích nghi với nhiều nhiệm vụ khác nhau.” Ni Lan Trân tự tin trả lời.

  Việc được hỏi những câu hỏi này thực sự không hề đơn giản đối với tôi…

  Sau đó, Zuckerberg tiếp tục đặt ra thêm một số câu hỏi về việc fine-tuning các tham số một cách hiệu quả, những thách thức chính trong việc phát triển các mô hình đa modal, nguyên nhân gây ra hiện tượng ảo giác và các chiến lược khắc phục chúng; Ni Lan Trân đều trả lời một cách trôi chảy.

  Nghe xong, Zuckerberg càng thêm tin chắc rằng mình đã tìm đúng người.

  Người đàn ông này đã bị giam giữ hơn một năm, nhưng sau khi ra tù vẫn có thể nói chuyện một cách thông thạo và cập nhật được những tiến bộ mới nhất trong lĩnh vực; rõ ràng đây là một nhân tài tiên phong trong lĩnh vực các mô hình lớn.

  Hơn nữa, người này còn đã đào tạo ra những thiên tài như Randolph Lin; nếu chúng tại META có thể dưới sự lãnh đạo của Giáo sư Balasubramanian tạo ra thành tựu tương tự, thì điều đ

Con số này thực sự khiến anh ta hơi e ngại việc ký vào hợp đồng. Nếu Zuckerberg có thể giúp anh ta thoát khỏi tình huống khó khăn, thì chắc chắn ông ấy cũng có thể đẩy anh ta trở lại tình trạng đó một lần nữa. Mức lương hàng năm 100 triệu đô la… Nếu mình không làm được gì cả, liệu mình có bị giam cầm suốt đời không nhỉ?

“Thưa sếp, con số này có phải quá cao không ạ?” Niranjan nói một cách thận trọng.

Zuckerberg cũng rất ngạc nhiên – lại có người gốc Ấn Độ tự nguyện than phiền về mức lương quá cao như vậy sao? Trong công ty Meta, có rất nhiều giám đốc điều hành gốc Ấn Độ; họ luôn chỉ nói về những đóng góp của mình và mong muốn được tăng lương. Nhưng Niranjan là người đầu tiên mà ông từng gặp, người tự nguyện phàn nàn về mức lương quá cao.

“Không đâu, Giáo sư Balasubramanian, xin yên tâm, mức lương này hoàn toàn hợp lý đấy. Bạn vừa mới ra tù, chắc chắn chưa biết những gì đã xảy ra trên thế giới trong năm vừa qua. Nếu bạn hiểu rõ tình hình, bạn sẽ thấy rằng con số này rất hợp lý.”

Sau khi nói xong, Niranjan lại đọc lại hợp đồng một lần nữa, sau đó ký tên vào đó. Zuckerberg mỉm cười, bắt tay và chụp ảnh cùng anh ta để lưu niệm.

Ngày hôm sau, Meta đã công bố thông báo chính thức:

“Công ty sẽ bổ nhiệm Giáo sư Niranjan Balasubramanian, chuyên gia nổi tiếng về trí tuệ nhân tạo, vào vị trí Giám đốc Cao cấp phụ trách lĩnh vực nghiên cứu các mô hình trí tuệ nhân tạo lớn.”

Việc bổ nhiệm này diễn ra đúng vào thời điểm mà các mô hình Transformer dựa trên thuật toán huấn luyện trước đang trở thành xu hướng hot trên toàn thế giới, thúc đẩy cuộc cách mạng AI toàn cầu. Meta cam kết sẽ tập trung vào việc thúc đẩy sự đổi mới trong lĩnh vực AI mã nguồn mở, nhằm phát triển những công nghệ AI an toàn và hiệu quả hơn.

Giáo sư Niranjan Balasubramanian hiện đang giảng dạy tại Khoa Khoa học Máy tính, Đại học Bang New York tại Stony Brook. Ông có hơn 15 năm kinh nghiệm nghiên cứu trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP) và học máy. Những công trình nghiên cứu tiên phong của ông bao gồm việc phát triển framework DeFormer nhằm tối ưu hóa hiệu suất của các mô hình Transformer trong các nhiệm vụ trả lời câu hỏi, cũng như việc ứng dụng các cơ chế biểu diễn sự kiện và cơ chế chú ý trong việc dự đoán tính cách người dùng. Những thành tựu này đã được công bố trên các hội nghị hàng đầu như ACL và AAAI và được nhiều người trích dẫn.

Chuyên môn của giáo sư sẽ góp phần giúp Meta tiếp tục đổi mới trong lĩnh vực các mô hình trí tuệ nhân tạo lớn như Llama, đảm bảo rằng việc ứng dụng công nghệ AI trong l

Với tư cách là giám đốc điều hành của nhóm nghiên cứu Meta AI, Giáo sư Balasubramanian sẽ dẫn dắt đội ngũ nghiên cứu này tập trung vào các lĩnh vực then chốt như tối ưu hóa mô hình đa phương thức, giảm bớt hiện tượng ảo giác và tính toán bền vững. Sự tham gia của ông cho thấy Meta đang tiếp tục tăng cường đầu tư chiến lược trong lĩnh vực trí tuệ nhân tạo, nhằm mang lại trải nghiệm kỹ thuật số thông minh và an toàn hơn cho người dùng trên toàn thế giới.

Về Meta: Meta xây dựng công nghệ để giúp mọi người kết nối với nhau, khám phá các cộng đồng và phát triển sự nghiệp. Thông qua các ứng dụng và dịch vụ của chúng tôi, chúng tôi nỗ lực không ngừng để làm cho thế giới trở nên gắn kết chặt chẽ hơn.

Zuckerberg ngay lập tức đăng tải trên Facebook rằng: “Trong bối cảnh mô hình GPT mở ra kỷ nguyên mới của trí tuệ nhân tạo, chúng ta cần những nhân tài xuất sắc để dẫn dắt tương lai của trí tuệ nhân tạo mã nguồn mở. Nền tảng học thuật sâu rộng và khả năng sáng tạo thực tế của Giáo sư Narayanjan sẽ giúp chúng ta xây dựng những mô hình lớn hiệu quả và có trách nhiệm hơn, thúc đẩy sự phát triển hòa hợp giữa con người và công nghệ. Tôi thực sự rất mong được hợp tác cùng Giáo sư Narayanjan Balasubramanian!”

Điều khiến thị trường quan tâm nhiều hơn là danh tính khác của Narayanjan – người đã từng là giáo viên hướng dẫn tiến sĩ cho Randolph Lin.

Vào tháng 11 năm 2022, Meta mới công bố kế hoạch sa thải 11.000 nhân viên; đến giữa tháng 3 năm 2023, công ty lại thông báo sẽ sa thải thêm 10.000 nhân viên nữa. Những động thái sa thải liên tiếp này, cùng việc tập trung vào lĩnh vực trí tuệ nhân tạo và nỗ lực giảm chi phí, tăng hiệu suất, cho thấy Meta có những mục tiêv rõ ràng.

Ngày hôm đó, giá cổ phiếu của Meta trên thị trường chứng khoán Mỹ tăng vượt mức 7%, một công ty có vốn hóa lên đến 180 tỷ đô la Mỹ – chỉ riêng việc thông báo về việc tuyển dụng Giáo sư Narayanjan đã giúp vốn hóa của họ tăng thêm 10 tỷ đô la Mỹ. Có thể nói, số tiền này tương đương với một trăm năm lương của Giáo sư Narayanjan.

Khi trở về nhà, Narayanjan mới biết những gì đã xảy ra bên ngoài trong thời gian ông bị giam giữ. “Mô hình lớn à? Bây giờ các tập đoàn công nghệ lớn đều nhắc đến mô hình lớn như vậy sao?” “GPT thật sự quá mạnh mẽ… Tôi đã nghĩ rằng hướng phát triển của LLM rất tiềm năng, và quả nhiên là vậy.” “Tại sao tôi lại cảm thấy rằng ‘Thâm Hồng’ còn hữu ích hơn cả GPT nhỉ?”

‘Thâm Hồng’ chỉ cho phép đăng ký bằng số điện thoại di động, chưa mở cửa đăng ký qua mạng Internet công cộ

Dù sao thì cũng có rất nhiều người nước ngoài đang làm việc tại Quốc gia Hoa và những sinh viên Người Hoa du học ở nước ngoài sẽ chia sẻ những thứ này lên mạng internet quốc tế mà.

Thực ra, mạng internet trong nước và mạng internet quốc tế có sự cách ly nhất định, nhưng sự cách ly đó rất mong manh, chỉ giống như một lớp giấy mỏng thôi.

Những người yêu thích công nghệ trên mạng quốc tế thấy Deep Red thì phải thèm thuồng lắm; thứ này miễn phí lại còn hiệu quả hơn cả GPT nữa.

Còn GPT-4 thì phải trả tiền mới sử dụng được.

Niranjan cảm thấy áp lực rất lớn; ông không chắc liệu bản thân mình có thể xử lý được GPT-4 đã, huống chi là Deep Red nữa.

Ông cũng không dám gọi điện cho Lâm Nhân; dù lòng ông muốn làm vậy, nhưng kinh nghiệm bị Cục Điều tra Liên bang bắt giữ khiến ông không dám liều lĩnh.

Biết đâu sau này họ lại đặt ra những cáo buộc vô căn cứ cho ông thì sao?

Bây giờ ông là một nhân viên hàng đầu với mức lương hàng năm lên đến hàng triệu đô la Mỹ, được coi là “đứa con được chọn” của người Ấn Độ; các tờ báo Ấn Độ thậm chí còn gọi ông là “Người cha của Deep Red”, cho rằng công nghệ này đã bị Lâm Nhân “đánh cắp” từ tay Niranjan.

Truyền thông Ấn Độ quả thật rất tự tin về điều này.

Thậm chí còn có những tờ báo kêu gọi Niranjan nên chuyển giao công nghệ này cho các doanh nghiệp Ấn Độ; nếu Quốc gia Hoa có Deep Red, thì Ấn Độ cũng phải có “Con voi trắng” của riêng mình!

Đây chính là cuộc cạnh tranh giữa Ấn Độ và Quốc gia Hoa, được gọi là “Cuộc đấu tranh giữa Rồng và Voi”.

Niranjan bắt đầu gọi điện cho bạn bè, mời tất cả những người bạn gốc Ấn Độ của mình đến làm việc tại META; chỉ khi có một nhóm người đủ mạnh mẽ thì họ mới có thể phát huy hết sức mạnh của mình!

Một con voi một mình trong rừng thì chẳng có sức uy hiếp gì, nhưng một đàn voi trong rừng thì ngay cả “vua của muôn loài” cũng phải tránh xa.

Với tư cách là Giám đốc điều hành của META, Niranjan không chỉ có mức lương cao mà còn có quyền tuyển dụng nhân viên.

Nhóm nghiên cứu LLM của META sẽ tập hợp sức mạnh của cả đàn voi… Nhưng Niranjan nghĩ lại, thôi thì vẫn nên tuyển một số nhân viên gốc Hoa vào làm việc; ông sẽ suy nghĩ xem mình có những giáo sư người Hoa quen biết nào để họ giới thiệu cho mình những sinh viên xuất sắc… Chỉ cần là những người tốt nghiệp từ các trường đại học như Thủy Mộc hay Yến đại… À, hay là SJTU cũng được.

Sau khi bình tĩnh lại, Niranjan nhận ra rằng nếu một nhóm người hoàn toàn gốc Ấn Độ thì họ sẽ g

Niranjan cùng gia đình đã chuyển đến California; quy định không được rời khỏi New York trong thời gian bảo lãnh cũng đã được Zuckerberg thay đổi thành quy định không được rời khỏi nước Mỹ trong suốt thời gian bảo lãnh, thông qua việc sử dụng tiền bạc của mình.

  Là bộ phận nhận được nhiều sự chú ý và có nguồn lực dồi dào nhất trong tổng thể META, Zuckerberg hầu như hàng ngày đều đến thăm phòng thí nghiệm AI. Ông nhận thấy rằng số lượng người gốc Ấn Độ và Trung Quốc tại đây ngày càng tăng, trong khi số lượng người da trắng thì ngày càng giảm.

  Một tháng sau, trong toàn bộ văn phòng nghiên cứu và phát triển trí tuệ nhân tạo này, chỉ còn lại khoảng hai trăm người, tất cả đều là người gốc Ấn Độ và Trung Quốc; không còn ai là người da trắng nữa.

  “Rất tốt, chúng ta đang đi đúng hướng,” Zuckerberg nghĩ thầm.

  Nếu nói rằng Zuckerberg đã “khám phá ra một lục địa mới”, đã tìm được Niranjan để đảm nhận vai trò trưởng ban Nhà khoa học, và đã tìm thấy “tri kỷ” của mình, thì Baidu lại đang rơi vào cuộc khủng hoảng chưa từng có.

  Sự xuất hiện của sản phẩm Deep Red khiến cho Wenxin Yiyan chưa kịp được ra mắt đã bị lãng quên ngay lập tức.

  Wenxin Yiyan chỉ tổ chức một buổi họp báo và mở cửa đăng ký để người dùng nộp đơn xin tham gia thử nghiệm nội bộ. Tuy nhiên, video so sánh giữa Wenxin Yiyan và Deep Red do một YouTuber đăng trên Bilibili đã cho thấy sự chênh lệch quá lớn; Wenxin Yiyan giống như một sinh viên đại học so với Deep Red – một sản phẩm dành cho trẻ em. Vì vậy, Baidu đã quyết định ngừng hoàn toàn việc thử nghiệm nội bộ vào ngày hôm sau.

  Đã được phát hành chưa? Đã được phát hành, nhưng liệu người dùng có thể sử dụng được nó không? Không, nó chỉ được quảng bá một cách hào nhoáng mà thôi.

  Thử nghiệm nội bộ của Baidu đã biến thành… một thử nghiệm không thực sự mang tính thử nghiệm gì cả.

  Baidu đang đối mặt với một cuộc khủng hoảng chưa từng có; ngay cả bên trong công ty cũng không biết phải làm thế nào.

  Bởi vì kế hoạch ban đầu của họ là thu phí; giống như GPT, Wenxin Yiyan cũng sẽ được thu phí – với mức phí 51 tháng. Đây sẽ là mô hình trí tuệ nhân tạo đầu tiên được thu phí, đầu tiên đạt được điểm hòa vốn, sau đó mới tăng cường đầu tư, cải thiện trải nghiệm người dùng và đánh bại các đối thủ cạnh tranh, để thống trị thị trường mô hình trí tuệ nhân tạo trên Internet.

  Giấc mơ của Baidu là tạo ra một vòng luẩn quẩn tích cực, giúp công ty phát triển mạnh mẽ hơn.

  Nhưng kết quả lại là họ bị mắc kẹt ngay ở bước đầu tiên.

  Một mô hình trí tuệ nhân tạo dành cho trẻ em mà còn thu phí à?

Sự tương phản này quá rõ ràng đến mức chính con số ấy đã gây ra một cú sốc lớn trong lòng người dùng mạng, và điều đó như thể đã đóng chiếc đinh đầu tiên vào quan tài của Baidu.

Áp lực bên trong Baidu quá lớn, lớn đến mức có thể nổ tung bất cứ lúc nào.

Từ ngày hôm sau khi “Wenxin Yiyán” được công bố, toàn bộ tòa nhà Baidu đều rơi vào trạng thái căng thẳng; mọi người đều e ngại nói to, sợ làm tức giận ông chủ lớn, và rồi sẽ bị sa thải ngay lập tức.

Trong phòng họp của tòa nhà Baidu, các giám đốc cấp cao từ khắp nơi đã tập trung lại với nhau. Ngoài họ ra, còn có cả các chuyên gia về trí tuệ nhân tạo bên trong Baidu.

“Ông chủ, Tencent không chỉ đang cạnh tranh với ‘Wenxin Yiyán’, mà họ đang đánh vào mặt chúng ta! Đây là hành động khiêu khích trắng trợn!” một thư ký nói. “Tôi cho rằng lần này phải có người chịu trách nhiệm; rõ ràng là có người đã đánh giá sai tình hình, đã đánh giá thấp năng lực của công nghệ này, và vì muốn giành lợi ích nhanh chóng, họ đã cố gắng chiếm lĩnh thị trường trước khi ‘Wenxin Yiyán’ trở nên hoàn thiện.”

Một giám đốc phụ trách công tác hành chính đã trực tiếp chỉ trích CTO Wang Haifeng.

Wang Haifeng thành thật xin lỗi: “Tôi thực sự đã đánh giá sai tình hình; tôi không ngờ rằng Tencent có thể tiến triển nhanh đến thế, chỉ trong vòng hai tháng đã có thể theo kịp thậm chí vượt qua tiến độ của OpenAI.”

Chưa kịp để Wang Haifeng nói hết, Robin đã ngắt lời: “Này, Haifeng, thôi đi… Chắc chắn là trước đây không ai có thể đoán trước được điều này. Sự việc này giống như việc Giáo sư Lâm Nhân bay lên Mặt Trăng sau hơn một năm nghiên cứu vậy; họ đã thực hiện được một điều phi thường mà trước đây được coi là bất khả thi. Tôi sẽ không vì lý do này mà trách móc các nhân viên dưới quyền mình; đây là những sai lầm không thể tránh khỏi trong quá trình phát triển công nghệ.”

Khi Robin nói ra điều này, mọi người đều biết rằng cuộc họp này không phải là để tìm ra lỗi lầm hay gây ra xung đột; nói một cách thẳng thắn hơn, đây không phải là dịp để đổ lỗi cho ai đó, mà là để tìm cách giải quyết vấn đề.

“Haifeng, chúng ta sẽ mất bao lâu để theo kịp?” Robin hỏi.

Wang Haifeng trả lời một cách thành thật: “Tôi ước tính rằng vào tháng 7, chúng ta có thể đạt được 80% hiệu suất của GPT-3; vào tháng 12, chúng ta sẽ đạt được mức hiệu suất tương đương với GPT-3; và vào tháng 7 năm sau, chúng ta có thể đạt được mức hiệu suất tương đương với Deep Red.”

Sau một khoảng lặng, Wang Haifeng tiếp tục nói: “Điểm yếu nhất của Deep Red là nó không mở mã nguồn; vì vậy chúng ta không thể học hỏ

Việc mở nguồn có nghĩa là chúng ta ít nhất cũng biết được họ đã sử dụng những công nghệ gì; dù không biết chi tiết kỹ thuật hay phương thức triển khai cụ thể, chúng ta vẫn có thể dần tìm hiểu ra qua thời gian.

Nhưng Deep Red thì khác – nó hoàn toàn giống như một “hộp đen”; thậm chí chúng ta còn không biết liệu nó có sử dụng cùng một hướng phát triển kỹ thuật với GPT hay không.

Tại sao Deep Red lại thể hiện tốt đến vậy trong bối cảnh tiếng Trung, và việc xử lý văn bản tiếng Trung của nó lại xuất sắc đến mức đó? Liệu họ có sử dụng những công nghệ đã tồn tại, hay đó là những công nghệ độc quyền do Giáo sư Lâm Nhân phát minh ra, chúng ta cũng không biết.

Tôi nghĩ rằng bây giờ chúng ta cần phải làm một điều.”

“Điều gì?” Robin hỏi.

“Chúng ta cần chiêu mộ nhân tài từ Deep Red, phải tìm hiểu rõ xem họ thực sự làm như thế nào. Càng có nhiều thông tin, chúng ta sẽ càng nhanh chóng bắt kịp họ; dù chỉ biết được hướng đi cũng tốt hơn nhiều so với việc mò mẫm trong bóng tối mà không biết phải đi về phía nào.”

Hơn nữa, Robin ạ, chúng ta là một công ty lớn; ưu thế lớn nhất của các công ty lớn chính là nguồn lực và tiền bạc.

Chúng ta cần tìm hiểu rõ cách Deep Red hoạt động; chúng ta cần chiêu mộ nhân tài từ cả OpenAI và Deep Red, sau đó thành lập hai nhóm nội bộ để theo đuổi hai hướng phát triển kỹ thuật riêng biệt – GPT và Deep Red. Việc phân bổ nguồn lực sẽ được quyết định dựa trên hiệu quả thực tế của mỗi nhóm.

Đối với các công ty lớn, điều này là hoạt động bình thường, là chiến lược công khai và rõ ràng.

Còn đối với những công ty nhỏ, nếu sản phẩm của họ tốt, tôi sẽ đơn giản là sao chép lại; dù sao họ cũng không thể chống lại được. Nếu tôi không thể giải quyết được một số vấn đề kỹ thuật cốt lõi trong thời gian ngắn, và lại không thể để lỡ cơ hội chiếm lĩnh thị trường, thì tôi sẽ chiêu mộ nhân tài từ họ mà thôi.

“Tôi biết, đó chắc chắn là một biện pháp… Nhưng vấn đề là tốc độ phát triển của Deep Red quá nhanh.” Robin cau có, vẻ oai phong của một quý ông đẹp trai hoàn toàn biến mất, “Khác với những cuộc cạnh tranh trước đây; trước đây, tốc độ tăng trưởng của người dùng luôn mang tính tuyến tính, và khi mở rộng đến một mức nhất định thì tốc độ sẽ chậm lại.

Là những người mới tham gia vào thị trường, khi tốc độ phát triển của đối thủ chậm lại, chúng ta có thể tăng tốc nhanh chóng và theo kịp họ.

Nhưng tốc độ phát triển của các mô hình lớn không phải là hàm tuyến tính hay hàm logarit, mà là hàm mũ.

Ngay cả khi chúng ta thành công trong việc chiêu