Nhu cầu tính toán bùng nổ

Hiện nay, AI đã và đang được ứng dụng trong vô số lĩnh vực. Hơn nữa, sự xuất hiện của AI tạo sinh (Generative AI) đã mở ra khả năng thực hiện những nhiệm vụ mà AI truyền thống trước đây được cho là không thể: từ văn bản, hình ảnh, video, âm nhạc, y tế đến chatbot.

Nhiều người hẳn đã nghe đến khái niệm “mô hình nền tảng” (Foundation Model) – đây chính là công nghệ cốt lõi của AI tạo sinh.

Mô hình nền tảng là AI được huấn luyện trước từ một khối lượng dữ liệu lớn và đa dạng, nhờ đó đạt được mức độ linh hoạt và khả năng ứng dụng rất cao (xem biểu đồ 4–2).

Các tác vụ như: Trả lời câu hỏi; Phân loại hình ảnh; Nhận diện vật thể… chỉ cần tinh chỉnh (fine-tuning) từ mô hình nền tảng là có thể thực hiện, khiến quá trình trở nên cực kỳ hiệu quả. ChatGPT cũng sử dụng các mô hình nền tảng chuyên về ngôn ngữ như GPT- 3.5 hay GPT- 4, tức các mô hình ngôn ngữ quy mô lớn (LLM).

Bằng cách học trước lượng lớn dữ liệu văn bản, chúng đạt được những thành tựu vượt trội trong:

• Sinh văn bản

• Dịch thuật

• Điền từ vào chỗ trống

• Hỏi đáp…

Hiệu năng của một mô hình nền tảng phụ thuộc vào:

• Số lượng và dung lượng dữ liệu

• Chất lượng và số lượng tham số

• Độ tinh vi của quá trình huấn luyện

Nói cách khác, đây là một thế giới mà “số lượng và quy mô chính là sức mạnh”.

Các công ty phát triển AI đang lao vào cuộc cạnh tranh khốc liệt nhằm mở rộng quy mô của mô hình nền tảng. Không chỉ dừng lại ở đó, trong tương lai, các mô hình này sẽ tiến hóa thành mô hình đa phương thức (multimodal) – có khả năng tiếp nhận, tổng hợp và xử lý từ nhiều loại dữ liệu cùng lúc: văn bản + hình ảnh, video + âm thanh… . Điều đó đồng nghĩa với việc: càng về sau, AI càng tạo ra nhu cầu tính toán khổng lồ chưa từng có.

Ở Chương 1, đã đề cập đến đơn vị đo năng lực tính toán là FLOPS:

• Megaflops: 1 triệu phép tính/giây

• Gigaflops: 1 tỷ phép tính/giây

• Teraflops: 1 nghìn tỷ phép tính/giây

Tuy nhiên, ngay cả tốc độ đó cũng không thể theo kịp một số bài toán thực tế.

Ví dụ, trong ngành logistics, nơi đang phải đối mặt tình trạng thiếu nhân lực nghiêm trọng, có bài toán tối ưu hóa tuyến giao hàng.
Nếu có 30 điểm giao hàng, việc tính toán toàn bộ tổ hợp tuyến đường bằng phương pháp đơn giản, ngay cả với máy tính 2 teraflops, cũng sẽ mất hơn 100 kinh năm (1 kinh = 10.000 × 1 nghìn tỷ).

Ngoài ra vẫn còn vô số yêu cầu tính toán khác mà con người không thể giải quyết trong thời gian thực tế.

• Để AI nhận diện 100 triệu hình ảnh trong 1 ngày → cần khoảng 10 petaflops

• Để phân tích bộ gen → cần 1 exaflops cho mỗi 100 triệu người
  (Exaflops = 100 kinh phép tính mỗi giây)

• Riêng với xe tự hành → cứ 1.000 xe cần đến 100 exaflops

Nói cách khác, mọi ngành nghề đều đang tiến vào thời đại mà “thứ gì đó” phải được tính toán ở tốc độ “siêu cao”. Không lâu nữa, sẽ xuất hiện những dịch vụ đòi hỏi năng lực tính toán vượt xa exaflops tới 1.000 lần, tức đạt mức zettaflops – tương đương 10 nghìn khỏi phép tính mỗi giây (1 khởi = 10.000 kinh).