Khóa học
Các khái niệm về Generative AI
2 giờ
121.1K
Gần đây Google đã ra mắt mô hình AI sinh sinh mới của mình, Gemini. Đây là kết quả của nỗ lực hợp tác giữa nhiều nhóm tại Google, bao gồm các thành viên của Google Research.
Mô hình này, theo Google mô tả là AI đa năng và mạnh mẽ nhất mà họ từng phát triển, được thiết kế để đa phương thức. Điều đó có nghĩa là Gemini có thể hiểu nhiều loại dữ liệu như văn bản, âm thanh, hình ảnh, video và mã nguồn.
Trong phần còn lại của bài viết, chúng tôi sẽ đề cập đến:
- Gemini là gì?
- Các phiên bản của Gemini là gì?
- Làm thế nào để bạn truy cập Gemini?
- Khám phá các thước đo chuẩn của Gemini
- Gemini so với GPT-4
- Các trường hợp sử dụng của Gemini
Google Gemini là gì?
Ngày 6 tháng 12 năm 2023, Google DeepMind công bố Gemini 1.0. Khi phát hành, Google mô tả đây là bộ Mô hình ngôn ngữ lớn (LLM) tiên tiến nhất của họ, vượt qua Pathways Language Model (PaLM 2) ra mắt vào tháng 5 cùng năm.
Gemini là một họ LLM đa phương thức có khả năng hiểu văn bản, hình ảnh, video và âm thanh. Nó cũng được cho là có thể thực hiện các tác vụ phức tạp trong toán học và vật lý, cũng như tạo mã chất lượng cao bằng nhiều ngôn ngữ lập trình.
Thông tin thú vị: Sergey Brin, đồng sáng lập Google, được ghi nhận là một trong những người đóng góp cho mô hình Gemini.
Cho đến gần đây, quy trình tiêu chuẩn để phát triển mô hình đa phương thức là huấn luyện riêng lẻ các thành phần cho từng dạng dữ liệu rồi ghép chúng lại để mô phỏng một phần chức năng. Những mô hình đó đôi khi xuất sắc ở một số tác vụ nhất định, như mô tả hình ảnh, nhưng gặp khó khăn với suy luận tinh vi và phức tạp hơn.
Gemini được thiết kế là đa phương thức ngay từ đầu; do đó, nó được tiền huấn luyện trên nhiều dạng dữ liệu ngay từ giai đoạn khởi đầu. Để tinh chỉnh hiệu quả hơn nữa, Google đã fine-tune bằng dữ liệu đa phương thức bổ sung.
Kết quả là, theo Sundar Pichai, CEO của Google và Alphabet, và Demis Hassabis, CEO kiêm đồng sáng lập Google DeepMind, Gemini có khả năng vượt trội đáng kể so với các mô hình đa phương thức hiện có trong việc hiểu và suy luận về nhiều loại đầu vào ngay từ nền tảng. Họ cũng cho biết năng lực của Gemini là “tối tân trong gần như mọi lĩnh vực.”
Những tính năng chính của Google Gemini
Những tính năng nổi bật của mô hình Gemini bao gồm:
1. Hiểu văn bản, hình ảnh, âm thanh và hơn thế nữa
AI đa phương thức là một mô hình AI mới đang thu hút sự quan tâm, trong đó các loại dữ liệu khác nhau được kết hợp với nhiều thuật toán để đạt hiệu suất cao hơn. Gemini tận dụng mô hình này, nghĩa là nó tích hợp tốt với nhiều loại dữ liệu. Bạn có thể nhập hình ảnh, âm thanh, văn bản và các loại dữ liệu khác, mang lại tương tác AI tự nhiên hơn.
2. Độ tin cậy, khả năng mở rộng và hiệu suất
Gemini tận dụng chip TPUv5 của Google, nhờ đó được cho là mạnh gấp năm lần GPT-4. Xử lý nhanh hơn giúp Gemini có thể giải quyết các tác vụ phức tạp một cách tương đối dễ dàng và xử lý đồng thời nhiều yêu cầu.
3. Suy luận tinh vi
Gemini được huấn luyện trên một tập dữ liệu khổng lồ gồm văn bản và mã nguồn. Điều này giúp mô hình có thể truy cập thông tin cập nhật và đưa ra câu trả lời chính xác, đáng tin cậy cho câu hỏi của bạn. Theo Google, mô hình này vượt trội hơn GPT-4 của OpenAI và con người ở “trình độ chuyên gia” trong nhiều bài kiểm tra trí tuệ (ví dụ: thước đo MMLU).
4. Khả năng lập trình nâng cao
Gemini 1.0 có thể hiểu, giải thích và tạo mã chất lượng cao bằng các ngôn ngữ lập trình phổ biến nhất như Python, Java, C++ và Go – khiến nó trở thành một trong những mô hình nền tảng hàng đầu cho lập trình trên toàn cầu.
Mô hình này cũng vượt trội ở nhiều thước đo chuẩn về lập trình, bao gồm HumanEval, tiêu chuẩn ngành được đánh giá cao để đo lường hiệu suất trên các tác vụ lập trình; đồng thời đạt kết quả tốt trên tập dữ liệu nội bộ, tách riêng của Google, vốn sử dụng mã do tác giả tạo ra thay vì thông tin từ web.
5. Trách nhiệm và an toàn
Những biện pháp bảo vệ mới đã được bổ sung vào Nguyên tắc AI và các chính sách của Google để tính đến năng lực đa phương thức của Gemini. Google cho biết, “Gemini có các đánh giá an toàn toàn diện nhất trong số các mô hình AI của Google cho đến nay, bao gồm cả về thiên kiến và độc hại.” Họ cũng nói rằng họ đã “tiến hành nghiên cứu mới về các lĩnh vực rủi ro tiềm ẩn như tấn công mạng, thuyết phục và tự chủ, và đã áp dụng kỹ thuật kiểm thử đối kháng hàng đầu của Google Research để giúp xác định các vấn đề an toàn then chốt trước khi triển khai Gemini.”
Các phiên bản của Gemini là gì?
Google cho biết Gemini, hậu duệ của LaMDA và PaLM 2, là “mô hình linh hoạt nhất từ trước đến nay — có thể vận hành hiệu quả từ trung tâm dữ liệu đến thiết bị di động.” Họ cũng tin rằng năng lực tối tân của Gemini sẽ cải thiện cách các nhà phát triển và khách hàng doanh nghiệp xây dựng và mở rộng với AI.
Phiên bản đầu tiên của Gemini, không ngạc nhiên khi được đặt tên là Gemini 1.0, được phát hành với ba kích cỡ khác nhau:
- Gemini Nano — Gemini Nano là mô hình hiệu quả nhất cho các tác vụ trên thiết bị, yêu cầu xử lý AI hiệu quả mà không cần kết nối với máy chủ bên ngoài. Nói cách khác, nó được thiết kế để chạy trên điện thoại thông minh, cụ thể là Google Pixel 8.
- Gemini Pro — Gemini Pro là mô hình tối ưu để mở rộng trên nhiều tác vụ. Nó được thiết kế để cung cấp sức mạnh cho Bard, chatbot AI mới nhất của Google; do đó có thể hiểu các truy vấn phức tạp và phản hồi nhanh chóng.
- Gemini Ultra — Gemini Ultra là mô hình lớn nhất và mạnh mẽ nhất cho các tác vụ phức tạp, vượt qua kết quả tối tân hiện tại ở 30 trong số 32 thước đo chuẩn thường dùng cho nghiên cứu và phát triển mô hình ngôn ngữ lớn (LLM).
Làm thế nào để bạn truy cập Gemini?
Kể từ ngày 13 tháng 12 năm 2023, nhà phát triển và khách hàng doanh nghiệp có thể truy cập Gemini Pro qua API của Gemini trong Google AI Studio hoặc Google Cloud Vertex AI.
Lưu ý Google AI Studio là IDE trên trình duyệt, miễn phí, mà nhà phát triển có thể dùng để tạo mẫu các mô hình sinh sinh và dễ dàng triển khai ứng dụng bằng khóa API. Trong khi đó, Google Cloud Vertex là nền tảng AI được quản lý toàn phần, cung cấp mọi công cụ cần thiết để xây dựng và sử dụng AI sinh sinh. Theo Google, “Vertex AI cho phép tùy chỉnh Gemini với khả năng kiểm soát dữ liệu đầy đủ và hưởng lợi từ các tính năng bổ sung của Google Cloud cho bảo mật, an toàn, quyền riêng tư cũng như quản trị và tuân thủ dữ liệu cấp doanh nghiệp.”
Thông qua AICore, một tính năng hệ thống mới trên Android 14, các nhà phát triển Android, bắt đầu từ thiết bị Pixel 8 Pro, có thể xây dựng với Gemini Nano, mô hình hiệu quả nhất cho các tác vụ trên thiết bị.
Khám phá các thước đo chuẩn của Gemini
Các mô hình Gemini đã trải qua quá trình kiểm thử rộng rãi để đánh giá hiệu suất trên nhiều loại tác vụ trước khi phát hành. Google cho biết mô hình Gemini Ultra của họ vượt trội hơn kết quả tối tân hiện có ở 30 trong số 32 thước đo học thuật thường dùng cho nghiên cứu và phát triển Mô hình ngôn ngữ lớn (LLM). Lưu ý rằng các tác vụ này trải dài từ hiểu hình ảnh tự nhiên, âm thanh, video đến suy luận toán học.
Trong bài blog giới thiệu Gemini, Google khẳng định Gemini Ultra là mô hình đầu tiên vượt qua chuyên gia con người trong Massive Multitask Language Understanding (MMLU) với điểm số 90,0%. Lưu ý rằng MMLU bao gồm 57 chủ đề khác nhau, gồm toán học, vật lý, lịch sử, luật, y khoa và đạo đức, để đánh giá khả năng giải quyết vấn đề và hiểu biết chung về thế giới.
Phương pháp MMLU mới cho phép Gemini cải thiện đáng kể thay vì chỉ dựa vào ấn tượng đầu tiên, bằng cách dùng năng lực suy luận để cân nhắc kỹ lưỡng hơn trước khi trả lời các câu hỏi thách thức.
Dưới đây là cách Gemini thể hiện ở các tác vụ văn bản:
Kết quả cho thấy Gemini vượt qua hiệu suất tối tân trên nhiều thước đo chuẩn, bao gồm văn bản và lập trình. [Nguồn]
Mô hình Gemini Ultra cũng đạt mức tối tân trên thước đo mới Massive Multidiscipline Multimodal Understanding (MMMU) với điểm số 59,4%. Bài đánh giá này bao gồm các tác vụ đa phương thức trên nhiều lĩnh vực đòi hỏi suy luận có chủ đích.
Google cho biết, “Với các thước đo hình ảnh mà chúng tôi kiểm thử, Gemini Ultra vượt qua các mô hình tối tân trước đó mà không cần hỗ trợ từ các hệ thống nhận dạng ký tự quang học (OCR) để trích xuất văn bản từ hình ảnh phục vụ xử lý tiếp theo.”
Kết quả cho thấy Gemini cũng vượt qua hiệu suất tối tân trên nhiều thước đo chuẩn đa phương thức. [Nguồn]
Các thước đo chuẩn do Gemini thiết lập cho thấy tính đa phương thức bẩm sinh của mô hình và mang lại bằng chứng sớm về năng lực suy luận tinh vi hơn.
Gemini so với GPT-4
Câu hỏi hiển nhiên thường được đặt ra tiếp theo là: “Gemini so với GPT-4 như thế nào?”
Cả hai mô hình đều có bộ tính năng tương tự và có thể tương tác, diễn giải dữ liệu văn bản, hình ảnh, video, âm thanh và mã nguồn, cho phép người dùng áp dụng vào nhiều tác vụ.
Người dùng của cả hai công cụ đều có tùy chọn kiểm chứng thông tin, nhưng cách cung cấp chức năng này thì khác nhau. Trong khi GPT-4 của OpenAI cung cấp liên kết nguồn cho các tuyên bố của mình, Gemini cho phép người dùng thực hiện tìm kiếm Google để xác nhận câu trả lời chỉ bằng một nút bấm.
Cả hai mô hình đều có thể được tăng cường bằng tiện ích mở rộng bổ sung, mặc dù tại thời điểm viết bài, mô hình Gemini của Google bị hạn chế hơn nhiều.
Ví dụ, có thể sử dụng các công cụ của Google như chuyến bay, bản đồ, YouTube và bộ ứng dụng Workspace với Gemini. Ngược lại, có một lựa chọn lớn hơn nhiều về plug-in và tiện ích mở rộng cho GPT-4 của OpenAI, phần lớn do bên thứ ba tạo ra. GPT-4 cũng có thể tạo hình ảnh tức thời; Gemini được thiết kế để có khả năng này, nhưng tại thời điểm viết bài thì chưa thể.
Mặt khác, thời gian phản hồi của Gemini nhanh hơn GPT-4, vốn đôi khi có thể chậm lại hoặc bị gián đoạn hoàn toàn do lượng người dùng quá lớn trên nền tảng.
Các trường hợp sử dụng của Gemini
Các mô hình Gemini của Google có thể thực hiện nhiều tác vụ trên nhiều phương thức như hiểu văn bản, âm thanh, hình ảnh và video.
Việc kết hợp các phương thức khác nhau để hiểu và tạo đầu ra cũng khả thi nhờ bản chất đa phương thức của Gemini.
Ví dụ về các trường hợp sử dụng Gemini bao gồm:
Tóm tắt văn bản
Các mô hình Gemini có thể tóm tắt nội dung từ nhiều loại dữ liệu. Theo một bài báo nghiên cứu có tiêu đề GEMINI: Kiểm soát phong cách tóm tắt ở cấp câu trong tóm tắt văn bản trừu tượng, mô hình Gemini “kết hợp viết lại và bộ sinh để mô phỏng lần lượt kỹ thuật viết lại câu và trừu tượng hóa.”
Cụ thể, Gemini lựa chọn thích ứng giữa việc viết lại một câu cụ thể trong tài liệu hay tạo một câu tóm tắt hoàn toàn từ đầu. Kết quả thí nghiệm cho thấy cách tiếp cận của Gemini vượt trội so với các đường cơ sở thuần trừu tượng và thuần viết lại trên ba bộ dữ liệu chuẩn, đạt kết quả tốt nhất trên WikiHow.
Tạo văn bản
Gemini có thể tạo nội dung dạng văn bản để đáp lại lời nhắc của người dùng – văn bản này cũng có thể được dẫn dắt bởi giao diện chatbot kiểu Hỏi & Đáp. Nhờ đó, Gemini có thể được triển khai để xử lý yêu cầu của khách hàng và hỗ trợ theo cách tự nhiên nhưng lôi cuốn, giúp giảm tải cho nhân viên để tập trung vào các tác vụ phức tạp hơn và nâng cao sự hài lòng của khách hàng.
Nó cũng có thể được dùng cho sáng tác sáng tạo, như đồng tác giả tiểu thuyết, viết thơ theo nhiều phong cách, hoặc tạo kịch bản cho phim và vở kịch. Điều này có thể tăng đáng kể năng suất của nhà văn sáng tạo và giảm áp lực do bí ý tưởng.
Dịch văn bản & Xử lý âm thanh
Với năng lực đa ngôn ngữ rộng, các mô hình Gemini có thể hiểu và dịch hơn 100 ngôn ngữ khác nhau. Theo Google, Gemini vượt qua hiệu suất tối tân của Chat GPT-4V “trên một loạt thước đo đa phương thức,” như nhận dạng giọng nói tự động (ASR) và dịch giọng nói tự động.
Xử lý hình ảnh & video
Gemini có thể hiểu và diễn giải hình ảnh, phù hợp cho các trường hợp dùng như tạo chú thích hình ảnh và Hỏi & Đáp trực quan. Mô hình cũng có thể phân tích các hình ảnh trực quan phức tạp, bao gồm sơ đồ, hình vẽ và biểu đồ mà không cần công cụ OCR bên ngoài.
Phân tích và tạo mã
Nhà phát triển có thể dùng Gemini để giải quyết các tác vụ lập trình phức tạp và gỡ lỗi mã. Mô hình có khả năng hiểu, giải thích và tạo bằng các ngôn ngữ lập trình được sử dụng nhiều nhất như Python, Java, C++ và Go.
Kết luận
Bộ Mô hình ngôn ngữ lớn (LLM) đa phương thức mới của Google, Gemini, là hậu duệ của LaMDA và PaLM 2. Họ mô tả đây là bộ LLM tiên tiến nhất, có khả năng hiểu văn bản, hình ảnh, video, âm thanh và các tác vụ phức tạp như toán học và vật lý. Gemini cũng có thể tạo mã chất lượng cao bằng nhiều ngôn ngữ lập trình phổ biến.
Mô hình đã đạt năng lực tối tân ở nhiều tác vụ, và nhiều người tại Google tin rằng đây là một bước nhảy vọt quan trọng trong cách AI có thể giúp cải thiện cuộc sống hằng ngày của chúng ta.
Tiếp tục học với các tài nguyên sau:
- LlamaIndex: Thêm dữ liệu cá nhân vào LLM
- 10 lựa chọn thay thế ChatGPT hàng đầu bạn có thể thử ngay hôm nay
- Giới thiệu về ChatGPT
Và trước khi rời đi, đừng quên đăng ký kênh YouTube của chúng tôi. Chúng tôi có nội dung hay về mọi chủ đề phù hợp và thịnh hành nhất, bao gồm cả một hướng dẫn về cách xây dựng ứng dụng đa phương thức với Gemini, hãy ghé xem nhé.
Chủ đề
