Google đã thua Meta trong cuộc chiến về ‘học máy’
Giờ đây, Google đang đặt cược tương lai các sản phẩm của chính mình vào một dự án AI nội bộ mới.
Vào năm 2015, Google về cơ bản đã tạo ra hệ sinh thái cho học máy hiện đại khi mở một dự án nghiên cứu nhỏ từ nhóm phát triển trí tuệ nhân tạo Google Brain, có tên là TensorFlow. Nó sau đó nhanh chóng trở nên phổ biến và biến công ty trở thành “ông trùm” quản lý các sản phẩm AI chính thống.
Nhưng ngày nay, câu chuyện đã khác, khi Google đã đ.ánh mất vị thế của mình – bao gồm cả trái tim và khối óc của các nhà phát triển – vào tay Meta.
Từng là một công cụ học máy có mặt ở khắp nơi, TensorFlow của Google đã dần tụt hậu so với công cụ học máy PyTorch của Meta. PyTorch được phát triển lần đầu tiên tại Facebook và có nguồn mở ở dạng beta vào năm 2017. Và ngày nay, nó đang ngày càng được coi là người dẫn đầu trong lính vực này.
Trong khi Google vấp phải một loạt các sai lầm chiến thuật, Meta lại đưa ra được các quyết định phát triển hợp lý và vượt trội trong cộng đồng mã nguồn mở, tới mức các chuyên gia cho rằng cơ hội của Google để định hướng cho tương lai của lĩnh vực học máy trên Internet có thể sẽ không còn nữa. PyTorch đã trở thành công cụ phát triển máy học dành cho các nhà phát triển bình thường cũng như các nhà nghiên cứu khoa học.
“Học máy” là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống “học” tự động từ dữ liệu để giải quyết những vấn đề cụ thể.
Giờ đây, dưới cái bóng của PyTorch, Google đã âm thầm xây dựng một framework học máy mới, được gọi là JAX. Ban đầu, đây là từ viết tắt của “Just After eXecution”, nhưng sau đó nó đã không còn là viết tắt của bất cứ điều gì. Nhiều người coi nó là thứ kế thừa TensorFlow.
Google Brain và công ty con DeepMind AI của Google đã từ chối triển khai mở rộng TensorFlow để dọn đường cho JAX, theo chia sẻ từ những người thân cận với dự án. Một đại diện của Google đã xác nhận rằng JAX hiện đã được áp dụng phổ biến tại Google Brain và DeepMind.
Ban đầu, JAX phải đối mặt với sự phản kháng đáng kể từ bên trong, theo chia sẻ từ những người trong cuộc. Những người này cho biết các nhân viên của Google đã quen với việc sử dụng TensorFlow. Tuy cách tiếp cận của JAX đơn giản hơn nhiều, nhưng dù sao điều này cũng đã thay đổi cách Google xây dựng phần mềm nội bộ, họ nói.
Những người có kiến thức về dự án cho biết công cụ này hiện được kỳ vọng sẽ trở thành nền tảng của tất cả các sản phẩm của Google sử dụng máy học trong những năm tới, giống như cách mà TensorFlow đã làm vào cuối những năm 2010.
Và JAX dường như đã thoát ra khỏi phạm vi hoạt động của Google, khi công ty phần mềm đám mây Salesforce nói rằng họ đã áp dụng nó trong các nhóm nghiên cứu của mình.
Viral Shah, người tạo ra ngôn ngữ lập trình Julia mà các chuyên gia thường so sánh với JAX cho biết:
“JAX là một kỳ công của kỹ thuật”, Viral Shah, người tạo ra ngôn ngữ lập trình Julia, chia sẻ. “Tôi nghĩ về JAX như một ngôn ngữ lập trình riêng biệt sẽ được khởi tạo thông qua Python. Nếu bạn tuân thủ các quy tắc mà JAX muốn bạn làm, thì nó có thể làm được những điều kỳ diệu. Và thật đáng kinh ngạc về những gì nó có thể làm được.”
Google hiện đang hy vọng đạt được thành công một lần nữa, đồng thời học hỏi từ những sai lầm đã mắc phải trong quá trình phát triển TensorFlow. Tuy nhiên, các chuyên gia cho rằng đó sẽ là một thách thức to lớn vì sự hiện diện của Meta và PyTorch.
Video đang HOT
Buổi hoàng hôn của TensorFlow và sự trỗi dậy của PyTorch
Theo các dữ liệu chính thống, sức ảnh hưởng của PyTorch đang cho thấy nó sắp bắt kịp TensorFlow. Dữ liệu về mức độ tương tác từ Stack Overflow cho thấy mức độ phổ biến của TensorFlow được đo bằng tỷ lệ các câu hỏi được hỏi trên diễn đàn của các nhà phát triển và chúng đã đình trệ trong những năm gần đây, trong khi mức độ tương tác của PyTorch tiếp tục tăng.
Khi không còn ai hỏi han, tức là sự quan tâm đã hết.
Ban đầu, TensorFlow phát triển mạnh mẽ và gần như bùng nổ sau khi ra mắt. Nhiều công ty lớn như Uber và Airbnb, thậm chí các tổ chức như NASA đã nhanh chóng chọn và bắt đầu sử dụng nó cho một số dự án phức tạp nhất của họ. Đó là các dự án đòi hỏi thuật toán đào tạo trên các tập dữ liệu lớn. Nó đã được tải xuống 160 triệu lần vào tháng 11/2020.
Nhưng các tính năng khủng khiếp và việc cập nhật liên tục của Google ngày càng khiến TensorFlow khó sử dụng và không thân thiện với người dùng, ngay cả những người trong nội bộ của Google, theo chia sẻ từ các nhà phát triển. Google đã phải thường xuyên cập nhật hệ thống của mình bằng các công cụ mới khi lĩnh vực học máy phát triển với tốc độ chóng mặt. Và khi ngày càng có nhiều người tham gia, dự án càng bị mở rộng, dẫn đến việc thiếu tập trung vào các thành phần cốt lõi ban đầu.
PyTorch là một framework học máy mã nguồn mở dựa trên thư viện Torch, được sử dụng cho các ứng dụng như thị giác máy tính và xử lý ngôn ngữ tự nhiên, chủ yếu được phát triển bởi Meta AI.
PyTorch, trong khi đó, đã ra mắt phiên bản đầy đủ vào năm 2018 từ phòng nghiên cứu trí tuệ nhân tạo của Facebook. Trong khi cả TensorFlow và PyTorch đều được xây dựng dựa trên Python, ngôn ngữ ưa thích của các chuyên gia học máy, thì Meta (hay Facebook trước đây) đã đầu tư rất nhiều vào việc phục vụ cộng đồng nguồn mở. PyTorch cũng được hưởng lợi từ mức độ tập trung vào việc làm tốt một số việc nhỏ, điều mà TensorFlow đã vô tình đ.ánh mất.
“Chúng tôi chủ yếu sử dụng PyTorch; nó được cộng đồng ủng hộ nhiều nhất”, Patrick von Platen, kỹ sư nghiên cứu tại công ty khởi nghiệp máy học Hugging Face, cho biết. “Chúng tôi nghĩ rằng PyTorch có lẽ đang làm tốt nhất với mã nguồn mở. Họ đảm bảo rằng các câu hỏi được trả lời trực tuyến. Các ví dụ đều hoạt động. PyTorch luôn có cách tiếp cận đầu tiên”.
Một số tổ chức lớn cũng đang triển khai các dự án chạy trên PyTorch. Tesla và Uber cũng thực hiện các dự án nghiên cứu máy học khó nhất của họ trên PyTorch.
JAX, tương lai của học máy tại Google
Jeff Dean, Phó chủ tịch cấp cao của Google AI
Khi trận chiến giữa PyTorch và TensorFlow vẫn đang diễn ra, một nhóm nghiên cứu nhỏ bên trong Google đã làm việc trên một framework (các đoạn code đã được viết sẵn, cấu thành nên một bộ khung và các thư viện lập trình được đóng gói) mới giúp truy cập dễ dàng hơn vào các chip được xây dựng tùy chỉnh – được gọi là đơn vị xử lý tensor hoặc TPU – làm nền tảng cho phương pháp tiếp cận trí tuệ nhân tạo và chỉ có thể truy cập thông qua TensorFlow.
Các nhà nghiên cứu của nhóm bao gồm Roy Frostig, Matthew James Johnson và Chris Leary. Cả 4 người đã phát hành một bài báo vào năm 2018 với tiêu đề “Biên dịch các chương trình học máy thông qua truy tìm cấp cao”, mô tả những gì sau này đã trở thành JAX.
Adam Paszke, một trong những tác giả ban đầu của PyTorch khi còn làm việc tại Facebook, cũng bắt đầu làm việc với Johnson vào năm 2019 khi còn là sinh viên và đã tham gia nhóm JAX vào đầu năm 2020.
Dự án mới, JAX, đã đưa ra một cách thiết kế đơn giản hơn để xử lý một trong những vấn đề phức tạp nhất trong lĩnh vực học máy: dàn trải công việc của một vấn đề lớn trên nhiều chip. Thay vì chạy các đoạn mã riêng lẻ cho các chip riêng biệt, JAX tự động phân phối công việc. Nó cho phép truy cập ngay lập tức vào nhiều TPU mà bạn cần để làm bất cứ điều gì bạn muốn.
JAX đã giải quyết một vấn đề cơ bản mà các nhà nghiên cứu của Google phải đối mặt khi nghiên cứu các vấn đề ngày càng lớn và ngày càng cần nhiều sức mạnh tính toán hơn.
Thách thức lớn nhất của Google là chiến lược của Meta với PyTorch
Cả PyTorch và TensorFlow đều bắt đầu theo cùng một cách. Đầu tiên, chúng là các dự án nghiên cứu, sau đó dần trở thành tiêu chuẩn trong nghiên cứu máy học. Sau đó, các nhà nghiên cứu đã đưa chúng tới phần còn lại của thế giới.
Tuy nhiên, JAX phải đối mặt với một số thách thức. Đầu tiên là nó vẫn dựa trên các framework khác theo nhiều cách. Các nhà phát triển và chuyên gia nói rằng JAX không đưa ra cách tải dữ liệu và xử lý trước dữ liệu một cách dễ dàng, đòi hỏi TensorFlow hoặc PyTorch phải xử lý phần lớn quá trình thiết lập.
Khung cơ bản của JAX, XLA , cũng chỉ đang được tối ưu hóa cao cho các TPU của Google. Nó tất nhiên cũng hoạt động với nhiều GPU và CPU truyền thống, nhưng vẫn chưa thể đạt được mức ngang bằng với TPU.
Người phát ngôn của Google cho biết việc tập trung vào TPU là do… sự nhầm lẫn về tổ chức và chiến lược từ năm 2018 đến năm 2021, dẫn đến việc không đầu tư và có mức độ ưu tiên dưới mức tối ưu cho hỗ trợ GPU, cũng như thiếu sự hợp tác với nhà cung cấp GPU lớn. Các vấn đề này đang nhanh chóng được cải thiện. Người phát ngôn cho biết nghiên cứu nội bộ của Google cũng chủ yếu tập trung vào TPU, dẫn đến việc thiếu các vòng phản hồi tốt cho việc sử dụng GPU.
“Bất cứ điều gì được thực hiện để tạo lợi thế cho phần cứng này so với phần cứng khác sẽ ngay lập tức bị coi là hành vi xấu, và nó sẽ bị từ chối trong cộng đồng mã nguồn mở”, Andrew Feldman, CEO của Cerebras Systems, một công ty khởi nghiệp trị giá 4 tỷ USD, cho biết. ” Không ai muốn bị khóa vào một nhà cung cấp phần cứng duy nhất, đó là lý do tại sao các framework học máy xuất hiện. Những người thực hành công nghệ máy học muốn đảm bảo rằng các mô hình của họ là di động, để họ có thể đưa chúng đến bất kỳ nền tảng phần cứng nào họ chọn và không bị khóa với chỉ một nền tảng.”
Đồng thời, bản thân PyTorch hiện đã gần 6 năm t.uổi, vượt qua độ t.uổi mà TensorFlow lần đầu tiên bắt đầu có dấu hiệu chậm lại. Không rõ liệu dự án của Meta có gặp số phận tương tự như phiên bản t.iền nhiệm được Google hậu thuẫn hay không, nhưng điều đó có nghĩa đây là thời điểm thích hợp cho một cái gì đó mới xuất hiện. Và một số chuyên gia đã chỉ ra rằng với quy mô của Google, thì các nhà phê bình đừng bao giờ c.oi t.hường “gã khổng lồ trong lĩnh vực tìm kiếm”.
Công nghệ AR và VR: Đâu đâu cũng nghe, nhưng chưa chắc ai cũng đang hiểu đúng
Khi nói đến các khái niệm cơ bản về giao diện người dùng và trải nghiệm người dùng, AR và VR hoàn toàn không giống nhau.
Mọi người đều thích nói về Thực tế ảo (VR) và Thực tế tăng cường (AR) như một số dạng công nghệ tiên phong sẽ "phá vỡ" hoặc thậm chí "cách mạng hóa" bối cảnh công nghệ. Các nhóm tiếp thị thì gọi AR/VR là "tương lai", theo những cách đầy huyền bí, với rất nhiều sự mong đợi. Và chúng hầu như luôn được liên kết với nhau dưới dạng AR/VR, giống như chúng là cùng một câu chuyện.
Trên thực tế, điều này đã trở thành một sai lầm phổ biến. Sau khi đọc xong bài viết này, nếu còn thấy một bản thuyết trình nào gộp cả hai thứ lại với nhau trong một số trường hợp sử dụng trong tương lai, bạn nên tự động giảm kỳ vọng về phần còn lại của chương trình quảng cáo hay bán hàng đó lại.
Trên thực tế, AR và VR rất khác nhau. Và tương lai của chúng cũng không ràng buộc với nhau. Điều này rất quan trọng vì để trở nên hấp dẫn về mặt thương mại, chúng cần phải trả lời một số câu hỏi quan trọng. Và những câu hỏi đó sẽ tương tự nhau, nhưng câu trả lời sẽ rất khác nhau.
VR và AR có thể giống nhau về mặt thiết kế sản phẩm hỗ trợ...
Về mặt kỹ thuật, các thiết bị điện tử hỗ trợ hai công nghệ này có thể rất giống nhau. VR là một bộ kính đeo cao cấp, yêu cầu màn hình độ phân giải cao, rất tiên tiến. AR có thể sẽ là một bộ kính tương tự, cũng yêu cầu màn hình mật độ cao, với các linh kiện được thu nhỏ bằng cách công nghệ tiên tiến. Nhưng đó là tư duy dựa trên kỹ thuật. Không có gì xúc phạm đến các kỹ sư ở đây, nhưng điều mà nhiều người tin rằng đây sẽ là công nghệ đột phá lại cần được phân tích từ góc độ tư duy của người dùng. Và ở đây, AR và VR hoàn toàn không liên quan đến nhau.
VR mang tới trải nghiệm hoàn toàn nhập vai, và bộ kính VR sẽ chặn tất cả các nguồn sáng bên ngoài. Điều này có nghĩa là người dùng không thể (hoặc không nên) di chuyển, bởi họ sẽ có nguy cơ va vào tường hoặc bàn ghế. VR được tạo ra để tiêu thụ nội dung, những thứ như video, trò chơi, họp trực tuyến, đào tạo từ xa. Tất nhiên, người dùng có thể nhận được máy chạy bộ đa hướng, nhưng họ sẽ vẫn phải ở trong một căn phòng. VR không cần phải di động, điều này giúp đơn giản hóa rất nhiều những thứ như yêu cầu về nguồn điện và kết nối mạng. Ví dụ, VR không cần 5G, mạng Wi-Fi gia đình hoặc thậm chí là cáp quang cũng sẽ cho phép nó hoạt động tốt.
Ngược lại, AR có nghĩa là phải di động. Toàn bộ vấn đề của Ả là việc phân lớp dữ liệu trong thế giới thực. Điều này làm cho các thiết bị điện tử hỗ trợ nó trở nên thách thức hơn nhiều. Nguồn điện sẽ là vấn đề, hãy tưởng tượng việc bạn luôn phải đeo một cục pin lớn trên thắt lưng, thứ có kết nối có dây với kính AR. Và ở đây, 5G trở nên có ý nghĩa đặc biệt bởi công nghệ này sẽ yêu cầu về độ trễ dữ liệu rất thấp, bởi điều đó mới giúp giảm độ mờ hình ảnh và tránh việc người dùng bị chóng mặt hay buồn nôn.
Vì vậy, các thiết bị điện tử hỗ trợ 2 công nghệ này có thể tương tự nhau, nhưng ngay cả ở cấp độ kỹ thuật này cũng đã có những khác biệt đáng kể.
...nhưng AR sẽ là một thách thức trong việc quản lý và tích hợp dữ liệu từ nhiều nền tảng khác nhau.
Và tiếp đến là việc sẽ có sự khác biệt quan trọng về nội dung. Dữ liệu VR có thể và sẽ được cung cấp bởi một nguồn duy nhất, như các nhà sản xuất video hoặc trò chơi. Ngược lại, AR sẽ yêu cầu tích hợp các lớp dữ liệu lớn. Ví dụ, khi bạn muốn sử dụng kính AR để tìm một nhà hàng gần đó, bạn sẽ cần nó tích hợp các hướng dẫn về món ăn địa phương, bản đồ và vị trí hiện tại của người dùng. Ngày nay, các thông tin này tồn tại trực tuyến, nhưng việc chuyển sang một thứ được cá nhân hóa như AR có thể sẽ buộc phải tổ chức lại các mối quan hệ về dữ liệu hiện có đó. Bởi các dữ liệu này thuộc về nhiều nguồn khác nhau, và việc kết hợp lại tất cả sẽ liên quan tới các vấn đề về quyền riêng tư. Không ai muốn tồn tại một hệ thống có thể coi như "chúa tể dữ liệu", thứ biết nhiều hơn nữa về những gì chúng ta đang làm, nơi chúng ta đứng và người chúng ta đang kết nối.
Quan trọng nhất, tác động của những thiết bị này đối với hành vi của người dùng sẽ hoàn toàn khác nhau. VR có thể thay đổi cách chúng ta sử dụng nội dung và sẽ yêu cầu những cách mới để nắm bắt nội dung đó, nhưng sẽ không thay đổi cách chúng ta tương tác với tư cách là con người. Ngược lại, AR có tiềm năng thực hiện việc tương tác với con người giống như điện thoại thông minh, có nghĩa là ở một mức độ rất lớn. Nếu hoàn thành tốt điều đó, AR có nghĩa là khả năng kết nối ngay lập tức với tất cả các loại dữ liệu - một người bạn mà bạn không nhận ra đang ở phía bên kia của công viên, một nhà hàng mà bạn không nhớ là rất gần, một số sự kiện đang diễn ra chỉ cách đó một dãy nhà. Chúng ta thực sự không thể dự đoán được những điều này, giống như không ai có thể dự đoán được sự tồn tại của Uber hay Grab trước khi iPhone ra mắt.
Và khi nói đến các khái niệm cơ bản về giao diện người dùng và trải nghiệm người dùng, AR và VR hoàn toàn không giống nhau. Để tóm tắt điều này, chúng ta có thể phải xem xét tất cả các thiết bị và máy móc mà chúng ta thường xuyên sử dụng và so sánh chúng theo hai cách - mức độ di động của thiết bị và mức độ cá nhân của nó đối với chúng ta.
Xe lửa và taxi hoàn toàn không phải là phương tiện cá nhân, được nhiều người dùng chung, nhưng chúng là phương tiện di động. Điện thoại thông minh là thứ rất cá nhân, và bạn chỉ chia sẻ mật khẩu của mình với những người rất thân thiết với bạn. Máy tính xách tay nằm ở đâu đó ở giữa, hơi dễ di chuyển và khá cá nhân đối với chủ sở hữu, nhưng vẫn dễ để chia sẻ hơn. Còn kính thực tế ảo (VR) sẽ nằm ở phía dưới, hơi cá nhân và không phải là tất cả các thiết bị di động. Ngược lại, kính AR có thể sẽ cực kỳ cá nhân, nhưng không hoàn toàn mang tính di động như điện thoại của chúng ta.
Sơ đồ đ.ánh đổi giữa tính di động và cá nhân hóa.
Hãy nghĩ về sự đa dạng của các mô hình giao diện người dùng cho các thiết bị này, và chúng ta sẽ bắt đầu đi sâu vào vấn đề AR và VR khác nhau như thế nào.
Lúc này, câu hỏi thực sự trọng tâm của VR và AR, câu hỏi duy nhất thực sự quan trọng là ai sẽ kiểm soát phần mềm, hệ điều hành (OS) cung cấp năng lượng cho chúng. Từ quan điểm này, câu trả lời cho VR có thể rất đơn giản - chúng sẽ gắn liền với các máy console và máy vi tính.
Mặt khác, câu trả lời cho AR vẫn còn rất nhiều điều chưa thể nói rõ. Apple, Google và Meta đều đang rất muốn trở thành nhà cung cấp hệ điều hành cho chúng, nhưng đây cũng chưa chắc sẽ là đáp án cuối cùng. Việc giải quyết nhiều vấn đề về giao diện người dùng và hệ điều hành cho AR sẽ là một thách thức lớn và lĩnh vực vẫn còn nhiều khả năng để các ông lớn cạnh tranh nhau.
Ra mắt giải pháp chấm công bằng camera AI Sự tích hợp giữa camera Trí tuệ nhân tạo (AI) với nền tảng quản lý nhân sự, thay đổi hoàn toàn cách thức chấm công của hơn 100 năm nay. Ngày 24/11, tại TP.HCM, Hanet đã giới thiệu ra thị trường camera AI do công ty tự nghiên cứu trong 2 năm qua. Demo chấm công bằng camera AI Bằng việc đưa AI...
