Πόσο μακριά θα φτάσει η Τεχνητή Νοημοσύνη;

Στην ετήσια εκδήλωση Τεχνητής Νοημοσύνης του Zalo, οι ομιλητές μοιράστηκαν την εμπειρία τους στην εφαρμογή της Τεχνητής Νοημοσύνης στην καθημερινή ζωή και προέβλεψαν νέες τάσεις γύρω από την πρακτορική και τη φυσική Τεχνητή Νοημοσύνη.

Η Zalo AI Summit, η οποία πραγματοποιήθηκε για πρώτη φορά το 2017, είναι μια εκδήλωση που συγκεντρώνει καταξιωμένους ειδικούς στον τομέα της Τεχνητής Νοημοσύνης. Με θέμα «Βιετνάμ στην εποχή της τεχνητής νοημοσύνης», η Zalo AI Summit 2025 θα παρουσιάσει λύσεις για την εφαρμογή της Τεχνητής Νοημοσύνης στην καθημερινή ζωή, θα προβλέψει τις τάσεις της Τεχνητής Νοημοσύνης και θα παρουσιάσει τα επιτεύγματα της Zalo στην προσέγγιση των χρηστών με την Τεχνητή Νοημοσύνη.

Στην εναρκτήρια ομιλία του, ο κ. Nguyen Minh Tu, Διευθυντής Τεχνολογίας της Zalo, δήλωσε ότι η εποχή της Τεχνητής Νοημοσύνης άρχισε να αναδύεται το 2018-2019 με τα πρώτα μοντέλα μετασχηματιστών. Ωστόσο, μόνο όταν εμφανίστηκαν τα GPT-3.5 και ChatGPT το 2022, αυτά τα γλωσσικά μοντέλα έφτασαν σε υψηλή ποιότητα και έγιναν προσβάσιμα σε ένα ευρύτερο κοινό.

«Τότε ξεκίνησε η εποχή της Τεχνητής Νοημοσύνης, όταν οι άνθρωποι άρχισαν να χρησιμοποιούν το ChatGPT», τόνισε ο κ. Tu.

Θετικό μήνυμα για το Βιετνάμ

Καθώς εταιρείες όπως η Google, η Anthropic και η DeepSeek βελτιώνουν ολοένα και περισσότερο τη μοντελοποίηση μεγάλων γλωσσών (LLM), η αγορά της Τεχνητής Νοημοσύνης (AI) βιώνει ένα σημείο καμπής που ονομάζεται πρακτορική Τεχνητή Νοημοσύνη.

Σε αντίθεση με την συμβατική Τεχνητή Νοημοσύνη, η οποία μπορεί να λύσει μόνο μεμονωμένες εργασίες, η πρακτορική Τεχνητή Νοημοσύνη είναι ένα αυτόνομο σύστημα ικανό να συνδέει πολλαπλούς πράκτορες για την αντιμετώπιση σύνθετων προβλημάτων.

«Η Τεχνητή Νοημοσύνη των πρακτόρων λειτουργεί όπως οι υπάλληλοί μας. Μπορεί να αναλύει, να συλλογίζεται, να εκτελεί εργασίες και να γράφει αναφορές με βάση τις εντολές μας», πρόσθεσε ο κ. Tu.

Στο Βιετνάμ, η Zalo είναι μία από τις εταιρείες που ενσωματώνει πολλές λειτουργίες τεχνητής νοημοσύνης για την εξυπηρέτηση των χρηστών. Μέχρι το 2025, ο αριθμός των χρηστών αυτών των υπηρεσιών αναμένεται να ξεπεράσει τα 17 εκατομμύρια, σημειώνοντας αύξηση άνω του 200%. Περισσότεροι από 7,5 εκατομμύρια άνθρωποι χρησιμοποιούν τη λειτουργία υπαγόρευσης (μετατροπή ομιλίας σε κείμενο).

«Αυτή η λειτουργία έχει αλλάξει τον τρόπο που πολλοί άνθρωποι χρησιμοποιούν το Zalo. Αντί να πληκτρολογείτε κείμενο, η χρήση φωνής είναι πολύ πιο γρήγορη και πιο βολική», τόνισε ο κ. Tú.

Η δυνατότητα μετάφρασης μηνυμάτων από τα βιετναμέζικα στα αγγλικά έχει επίσης προσελκύσει μεγάλο αριθμό χρηστών. Ο κ. Tu αποκάλυψε ότι σύντομα θα προστεθεί ζωντανή μετάφραση για κλήσεις Zalo.

Ο κ. Nguyen Minh Tu, Διευθυντής Τεχνολογίας στο Zalo.

Πέρα από την εξυπηρέτηση των τελικών χρηστών, η Τεχνητή Νοημοσύνη υποστηρίζει επίσης τις λειτουργίες της Zalo. Η εταιρεία έχει δημιουργήσει ένα chatbot εξυπηρέτησης πελατών, βοηθώντας στην επίλυση του προβλήματος της επέκτασης κατά τις περιόδους αιχμής, όταν είναι δύσκολο να προσληφθεί επιπλέον προσωπικό.

Μετά από 3 μήνες εφαρμογής, το σύστημα chatbot στο Ζάλο πέτυχε ποσοστό απόκρισης 90%, υψηλότερο από αυτό των ανθρώπων. Μόνο περίπου το 2-3% των περιπτώσεων χρειάστηκε ανθρώπινη βοήθεια από το chatbot.

Ένας εκπρόσωπος της Zalo αναγνώρισε ότι εξακολουθούν να υπάρχουν ορισμένες προκλήσεις στην εσωτερική εφαρμογή της Τεχνητής Νοημοσύνης, που περιστρέφονται γύρω από την ιδιωτικότητα και την ασφάλεια. Γι' αυτό η πλατφόρμα επιλέγει μια ευέλικτη προσέγγιση, εφαρμόζοντας ένα αυτοαναπτυγμένο μοντέλο για ευαίσθητα δεδομένα και αξιοποιώντας εξωτερικά chatbot για λιγότερο ευαίσθητα δεδομένα.

Ο κ. Tú αναφέρθηκε επίσης στο Zalo AI Challenge 2025, έναν διαγωνισμό για την ανάπτυξη λύσεων εφαρμογών τεχνητής νοημοσύνης στην καθημερινή ζωή. Εκτός από νέους και μαθητές, ο φετινός διαγωνισμός προσέλκυσε αρκετούς μαθητές λυκείου, ορισμένοι μάλιστα έφτασαν στους 5 πρώτους.

«Αυτό δείχνει ότι η Τεχνητή Νοημοσύνη έχει διαπεράσει όλους τους τομείς της κοινωνίας, εξαπλούμενη ακόμη και σε σχολεία όπου τα παιδιά εκτίθενται σε αυτήν σε πολύ μικρή ηλικία. Αυτό είναι ένα θετικό σημάδι για το Βιετνάμ στην εποχή του «μετασχηματισμού της Τεχνητής Νοημοσύνης»», τόνισε ένας εκπρόσωπος της Zalo.

Το κύμα των πρακτόρων Τεχνητής Νοημοσύνης

Στην πρώτη συνεδρία, ο Αναπληρωτής Καθηγητής Quan Thanh Tho από το Τεχνολογικό Πανεπιστήμιο της πόλης Χο Τσι Μινχ έθεσε το ερώτημα πώς η πολυτροπική Τεχνητή Νοημοσύνη θα αλλάξει τον κόσμο . Υποστήριξε ότι το LLM έχει φτάσει στο τέλος του κύκλου του και η τεχνολογική τάση μετατοπίζεται σταδιακά προς τα Πολυπρακτορικά Συστήματα (MAS).

Ο Αναπληρωτής Καθηγητής Δρ. συμφώνησε με τον κ. Tu σχετικά με το σημαντικό ορόσημο του LLM με την εισαγωγή του GPT-3.5, δηλώνοντας ότι ο κοινός στόχος των chatbots είναι να μιμούνται τους ανθρώπους όσο το δυνατόν περισσότερο. Η έννοια των πρακτόρων Τεχνητής Νοημοσύνης υπήρχε και πριν, αλλά άκμασε πραγματικά μόνο στο πλαίσιο του LLM.

«Το Agent είναι μια μάλλον κλασική αρχιτεκτονική και, όταν συνδυάζεται με το LLM, παρέχει τη δυνατότητα επικοινωνίας μεταξύ μοντέλων», δήλωσε ο κ. Tho. Οι λέξεις-κλειδιά «Πράκτορες Τεχνητής Νοημοσύνης» και «Πρακτορική Τεχνητή Νοημοσύνη» συγκαταλέγονται επίσης στους όρους με τις περισσότερες αναζητήσεις στο Google Trends από τα τέλη του 2024 έως σήμερα.

Αναπληρωτής Καθηγητής Δρ. Quan Thanh Tho, Πρόεδρος του Τμήματος Επιστήμης και Μηχανικής Υπολογιστών , Τεχνολογικό Πανεπιστήμιο της πόλης Χο Τσι Μινχ.

Ο Αναπληρωτής Καθηγητής μοιράστηκε ότι η Τεχνητή Νοημοσύνη ως πράκτορας είναι απλώς ένα σύστημα που αποτελείται από πολλαπλούς πράκτορες που συνεργάζονται. Μόλις λάβουν μια εντολή από τον χρήστη, οι πράκτορες θα αναλύσουν το αίτημα, θα αναθέσουν εργασίες, θα επιλέξουν τα κατάλληλα εργαλεία και θα τα εκτελέσουν βήμα προς βήμα για να επιτύχουν υψηλότερη απόδοση σε σύγκριση με ένα μόνο μοντέλο.

Ο κ. Tho παρουσίασε επίσης ορισμένες πρακτικές εφαρμογές του MAS σε εγχώριες επιχειρήσεις. Συγκεκριμένα, οι πράκτορες τεχνητής νοημοσύνης μπορούν να επεξεργάζονται ταυτόχρονα αρχεία PDF, εικόνες και έγγραφα, βελτιώνοντας την αποδοτικότητα κατά 40-60%. Στον ασφαλιστικό τομέα, αυτή η τεχνολογία βοηθά μια εταιρεία να αυτοματοποιήσει το 20-40% του φόρτου εργασίας της.

Επιπλέον, οι πράκτορες Τεχνητής Νοημοσύνης έχουν τη δυνατότητα να συλλέγουν πληροφορίες σε πραγματικό χρόνο, συμβάλλοντας στην παροχή άμεσων τιμών αγοράς. Στην εργασία του, ο Αναπληρωτής Καθηγητής Δρ. [Όνομα] δήλωσε ότι το σύστημα πρακτόρων Τεχνητής Νοημοσύνης λειτουργεί ως ένας έξυπνος βοηθός, ικανός να απαντά σε ερωτήσεις γονέων και μαθητών που σχετίζονται με το σχολείο. Στην εκπαίδευση , οι πράκτορες Τεχνητής Νοημοσύνης βοηθούν στη δημιουργία εξατομικευμένων μοντέλων μάθησης προσαρμοσμένων στην μαθησιακή πορεία κάθε μαθητή.

Η Σύνοδος Κορυφής για την Τεχνητή Νοημοσύνη του Zalo 2025 προσέλκυσε μεγάλο αριθμό συμμετεχόντων που ενδιαφέρονται για τον τομέα της Τεχνητής Νοημοσύνης.

Συνολικά, το πλεονέκτημα του MAS έγκειται στην ικανότητά του να χειρίζεται πολλαπλά σύνθετα προβλήματα παράλληλα. Μέσω της διαδικασίας συλλογισμού, οι πράκτορες μπορούν να επεξεργάζονται πληροφορίες ανεξάρτητα, να μαθαίνουν ο ένας από τον άλλον και να μαθαίνουν από τον χρήστη για τη μείωση των σφαλμάτων και την παραγωγή ακριβών και εξατομικευμένων αποτελεσμάτων.

Οι σύγχρονες αρχιτεκτονικές πρακτόρων παρέχονται συχνά ως εργαλεία και πλατφόρμες με φιλικές προς το χρήστη διεπαφές, καθιστώντας τες πιο προσβάσιμες στο ευρύ κοινό.

Με βάση αυτά τα οφέλη, ο κ. Tho τόνισε τη σημασία της εφαρμογής της τεχνολογίας και της προσαρμογής των εσωτερικών εργασιακών διαδικασιών στις επιχειρήσεις. Σύμφωνα με τον Αναπληρωτή Καθηγητή, στο πλαίσιο της ισχυρής τάσης καινοτομίας που λαμβάνει χώρα παγκοσμίως, αυτό είναι ένα κύμα στο οποίο οι επιχειρήσεις πρέπει να δώσουν ιδιαίτερη προσοχή.

Τι έρχεται μετά την πρακτορική τεχνητή νοημοσύνη;

Πρόσφατα, τα ανθρωποειδή ρομπότ έχουν γίνει μια τάση που προσελκύει την προσοχή στον κόσμο της τεχνολογίας. Αυτή είναι επίσης η πιο κοινή εφαρμογή της φυσικής τεχνητής νοημοσύνης.

Μοιράζοντας τις σκέψεις του πάνω σε αυτό το θέμα, ο Δρ. Tran Minh Quan, Senior Developer Technologist στην Nvidia Vietnam, τόνισε ότι η φυσική τεχνητή νοημοσύνη είναι η πιο προηγμένη εξέλιξη στις τάσεις της τεχνητής νοημοσύνης, μετά την εποχή της γενετικής τεχνητής νοημοσύνης ή αλλιώς της πρακτορικής τεχνητής νοημοσύνης.

«Αυτά τα μοντέλα Τεχνητής Νοημοσύνης είναι ικανά να λαμβάνουν εντολές ή δεδομένα εισόδου και στη συνέχεια να παράγουν συγκεκριμένες ενέργειες που επηρεάζουν κινητήρες ή εξαρτήματα ελέγχου ρομπότ, όπως ρομποτικά χέρια, αυτόνομα οχήματα, εργοστάσια κ.λπ.», δήλωσε ο κ. Quan, δίνοντας μια επισκόπηση της φυσικής Τεχνητής Νοημοσύνης.

Ο Δρ. Tran Minh Quan από την Nvidia μοιράστηκε τις γνώσεις του σχετικά με τις τάσεις στην φυσική τεχνητή νοημοσύνη.

Σύμφωνα με εκπροσώπους της Nvidia, η φυσική Τεχνητή Νοημοσύνη θα μπορούσε να γίνει μια βιομηχανία τρισεκατομμυρίων δολαρίων στο μέλλον. Το δυναμικό εφαρμογής της φυσικής Τεχνητής Νοημοσύνης είναι τεράστιο, δεδομένου ότι η τρέχουσα παγκόσμια υποδομή υλικού περιλαμβάνει περίπου 2 δισεκατομμύρια βιομηχανικές κάμερες, 10 εκατομμύρια εργοστάσια, 200.000 αποθήκες και 1,5 δισεκατομμύριο οχήματα, για να μην αναφέρουμε δισεκατομμύρια ανθρωποειδή ρομπότ που θα μπορούσαν να αναπτυχθούν στο μέλλον.

«Εάν κάθε συσκευή ήταν εξοπλισμένη με έναν «εγκέφαλο» τεχνητής νοημοσύνης για να χειρίζεται το τρέχον φόρτο εργασίας, οι εργασίες αυτές θα μπορούσαν να υποστηριχθούν σε πολύ διαφορετική κλίμακα από ό,τι σήμερα», πρόσθεσε ο κ. Κουάν.

Η ανάγκη για φυσική Τεχνητή Νοημοσύνη πηγάζει από την έλλειψη προσωπικού σε πολλούς κλάδους. Οι θέσεις εργασίας υψηλής εξειδίκευσης σε αντίξοα περιβάλλοντα, όπως η συγκόλληση σε κλειστούς, σκοτεινούς χώρους, αποδεικνύονται δύσκολες για τον άνθρωπο.

Τα ρομπότ αποτελούν πλέον μια λύση που εξισορροπεί το κόστος προσωπικού και το λειτουργικό κόστος. Το κόστος μπορεί να βελτιστοποιηθεί, καθώς τα ρομπότ έχουν πλέον την ικανότητα να μαθαίνουν νέες εργασίες ανεξάρτητα, αντί να εκτελούν απλώς επαναλαμβανόμενες εργασίες.

«Γι' αυτό η «στιγμή» του ChatGPT για τη ρομποτική θα μπορούσε να έρθει φέτος ή του χρόνου», τόνισε ο κ. Κουάν.

Η φυσική Τεχνητή Νοημοσύνη θεωρείται το επόμενο βήμα μετά την γενετική Τεχνητή Νοημοσύνη και την πρακτορική Τεχνητή Νοημοσύνη.

Για να υλοποιήσουν αυτό το όραμα, οι εκπρόσωποι της Nvidia πρότειναν ένα μοντέλο τριών υπολογιστών, που αντιστοιχεί σε τρία βασικά στάδια στην ανάπτυξη της φυσικής Τεχνητής Νοημοσύνης.

Συνεπώς, η πρώτη φάση επικεντρώνεται στην οικοδόμηση των θεμελίων στον διακομιστή. Μετά την εκπαίδευση, το μοντέλο μπορεί να τοποθετηθεί σε ένα περιβάλλον προσομοίωσης για να μάθει για τις αιτιώδεις αλληλεπιδράσεις, βοηθώντας το μοντέλο να αναπτύξει καλύτερη συμπεριφορά στον πραγματικό κόσμο.

Η προσομοίωση βοηθά τα ρομπότ να αναγνωρίζουν με ακρίβεια αντικείμενα και πώς να τα χειρίζονται. Το πιο σημαντικό είναι ότι η προσομοίωση επιτρέπει σε πολλά ρομπότ να συνεργάζονται ταυτόχρονα, δοκιμάζοντας σενάρια σύγκρουσης χωρίς να επιβαρύνονται με το κόστος του πραγματικού υλικού. Τέλος, επιτρέπει την άμεση ανάπτυξη στο υλικό.

Η πρόκληση της ανάπτυξης της Τεχνητής Νοημοσύνης σε μεγάλη κλίμακα.

Η διαδικασία της «Τεχνητής Νοημοσύνης», η οποία περιλαμβάνει την ενσωμάτωση της τεχνολογίας στις καθημερινές λειτουργίες για τη βελτίωση της αποδοτικότητας και την υποστήριξη της λήψης αποφάσεων, επιταχύνεται παγκοσμίως.

Σύμφωνα με τον Δρ. Chau Thanh Duc, Διευθυντή Έρευνας στην Zalo AI, ο ρυθμός της Τεχνητής Νοημοσύνης στο Βιετνάμ πηγάζει από πολλούς παράγοντες, κυρίως από την ανάπτυξη μοντέλων Τεχνητής Νοημοσύνης, την ταχεία βελτίωση της υποδομής υλικού και δεδομένων και τη διαδικασία ψηφιακού μετασχηματισμού.

Το Βιετνάμ θεωρείται μία από τις χώρες με σημαντικό δυναμικό για την ανάπτυξη της Τεχνητής Νοημοσύνης, όπως αποδεικνύεται από τα προγράμματα απόκτησης ταλέντων, την οικοδόμηση μιας τεχνολογικής κοινότητας και την κρατική υποστήριξη. Επιπλέον, οι Βιετναμέζοι πολίτες αξιολογούνται ως υψηλού επιπέδου ετοιμότητας για ψηφιακό μετασχηματισμό.

Δρ. Chau Thanh Duc, Διευθυντής Έρευνας στην Zalo AI.

Σε αυτόν τον μετασχηματισμό, η Zalo λάνσαρε πολλές λειτουργίες που σχετίζονται με την Τεχνητή Νοημοσύνη, όπως τον εικονικό βοηθό Kiki. Η εταιρεία στοχεύει στην ανάπτυξη εργαλείων που αυξάνουν την αποδοτικότητα της εργασίας και είναι ιδιαίτερα εύχρηστα για όλους. Τα εργαλεία της Zalo υποστηρίζουν τα πάντα, από τον προγραμματισμό, την κωδικοποίηση και την έρευνα, έως καθημερινές δραστηριότητες όπως η επικοινωνία, η μετάφραση και η αναζήτηση εικόνων.

Ωστόσο, οι ειδικοί πιστεύουν ότι αυτή είναι μόνο η αρχή και εξακολουθούν να υπάρχουν πολλές δυσκολίες στη διαδικασία μετασχηματισμού της Τεχνητής Νοημοσύνης. Ο Δρ. Nguyen Truong Son, Διευθυντής Επιστημών στην Zalo AI, δήλωσε ότι οι δυσκολίες πηγάζουν από την ασφάλεια, τα ζητήματα κόστους και τις υψηλές απαιτήσεις των χρηστών. Αυτές δεν είναι δυσκολίες μόνο για την Zalo αλλά και για τους χρήστες και τις επιχειρήσεις.

Το πρώτο εμπόδιο περιστρέφεται γύρω από την επιλογή ενός μοντέλου Τεχνητής Νοημοσύνης που διασφαλίζει ένα ορισμένο επίπεδο αυτονομίας. Τα μοντέλα τρίτων συχνά προσφέρουν καλύτερη απόδοση και ποιότητα εξόδου, ενώ τα εσωτερικά μοντέλα έχουν το πλεονέκτημα του ελέγχου των πληροφοριών, αλλά είναι περιορισμένα όσον αφορά τη σταθερότητα και την αποδοτικότητα.

Πληροφορίες που κοινοποιήθηκαν από εκπροσώπους της Zalo AI.

Επιπλέον, τα περισσότερα τρέχοντα μοντέλα έχουν κοινές αδυναμίες, όπως η ελλιπής ακρίβεια και η ασυνεπής απόδοση. Πολλά chatbot έχουν περιορισμένη ικανότητα κατανόησης και επεξεργασίας βιετναμέζικων, μη καλύπτοντας συγκεκριμένες απαιτήσεις ή περιβάλλοντα.

Για την αντιμετώπιση αυτού του ζητήματος, οι ειδικοί της Zalo πρότειναν διάφορες λύσεις, όπως η εφαρμογή προηγμένης τεχνολογίας ανάπτυξης μοντέλων και ο συνδυασμός αξιόπιστων πηγών δεδομένων κατά την εκπαίδευση των chatbot. Ταυτόχρονα, η ομάδα ανάπτυξης αξιολογούσε συνεχώς το μοντέλο μέσω εσωτερικών δοκιμών.

Μια άλλη πρόκληση έγκειται στην εξισορρόπηση κόστους, απόδοσης και ασφάλειας. Σύμφωνα με τον Δρ. Nguyen Truong Son, η χρήση ενός μικρού μοντέλου για την αντιμετώπιση σύνθετων αιτημάτων μπορεί να αυξήσει τον χρόνο επεξεργασίας και το λειτουργικό κόστος, και αντίστροφα.

Δρ. Nguyen Truong Son, Διευθυντής Επιστημών στο Zalo AI.

Υποστήριξε ότι η βελτιστοποίηση μπορεί να ξεκινήσει από το στάδιο της εισαγωγής εντολών. Οι χρήστες μπορούν να μειώσουν το κόστος των token περιορίζοντας το περιττό μήκος και παρέχοντας σαφές, συνοπτικό πλαίσιο για το chatbot.

Σε επίπεδο συστήματος, η ομάδα του Zalo εφαρμόζει διάφορες λύσεις, όπως η πρόταση κατάλληλων εντολών και η ανάπτυξη επιπέδων ελέγχου για τη διασφάλιση της ασφάλειας και της προστασίας των πληροφοριών των χρηστών.

Συνολικά, το Βιετνάμ θεωρείται καλά προετοιμασμένο για το παγκόσμιο κύμα τεχνητής νοημοσύνης. Η Zalo είναι ένας από τους πρώτους συμμετέχοντες σε αυτόν τον μετασχηματισμό, εστιάζοντας στην αντιμετώπιση των προκλήσεων του κόστους, της ποιότητας και της ασφάλειας κατά την ανάπτυξη τεχνητής νοημοσύνης σε μεγάλη κλίμακα.

Η άγρια ​​κούρσα των τσιπ

Η έκρηξη της Τεχνητής Νοημοσύνης είναι αποτέλεσμα των εξελίξεων στο υλικό ή τα τσιπ. Ο Δρ. Pham Hy Hieu από την OpenAI τονίζει ότι η εμφάνιση του ChatGPT έφερε επανάσταση στα τσιπ, επιτρέποντας στην Nvidia να αναπτυχθεί ραγδαία σε σύντομο χρονικό διάστημα.

Όταν κυκλοφόρησε για πρώτη φορά το ChatGPT, η λειτουργία του βασιζόταν σχεδόν εξ ολοκλήρου σε τσιπ Nvidia. Αυτό οδήγησε σε μια αύξηση στις αγορές υλικού από τεχνολογικούς κολοσσούς όπως η Anthropic και η Meta.

Ωστόσο, το παιχνίδι δεν είναι μόνο για τη Nvidia. Ανταγωνιστές όπως η AMD και η Google προσφέρουν επίσης βέλτιστες λύσεις υλικού για προγραμματιστές μοντελοποίησης τεχνητής νοημοσύνης.

«Η ροή των τσιπ και του κεφαλαίου που σχετίζεται με τα τσιπ επηρεάζει επίσης τις οικονομικές ροές, τουλάχιστον την ανάπτυξη της οικονομίας των ΗΠΑ».

Επιπλέον, οι εταιρείες που επιδιώκουν να αναπτύξουν Τεχνητή Νοημοσύνη έχουν επίσης φιλοδοξίες να αναπτύξουν τα δικά τους τσιπ, επειδή το κόστος αγοράς τσιπ αυξάνεται, επομένως ακόμη και μια μικρή εξοικονόμηση αποτελεί τεράστιο όφελος. Γι' αυτό κάθε εταιρεία θέλει να είναι αυτάρκης σε πόρους τσιπ», πρόσθεσε ο κ. Hieu.

Ο Δρ. Pham Hy Hieu, εκπροσωπώντας το OpenAI.

Η αγορά τσιπ τεχνητής νοημοσύνης χωρίζεται επί του παρόντος σε δύο κύριες κατηγορίες με βάση την προβλεπόμενη χρήση τους. Η πρώτη κατηγορία είναι τα τσιπ εκπαίδευσης, τα οποία απαιτούν την ικανότητα εκτέλεσης μεγάλου πολλαπλασιασμού πινάκων, ομοιόμορφης διαστασιολόγησης και υψηλού εύρους ζώνης για τη σύνδεση χιλιάδων τσιπ ταυτόχρονα.

Ο δεύτερος τύπος είναι το τσιπ συμπερασμού, το οποίο απαιτεί έναν πιο μέτριο αριθμό συνδέσμων (περίπου 50-100 τσιπ) και εστιάζει σε μικρά, ακανόνιστου μεγέθους προβλήματα πινάκων. Ωστόσο, τα τσιπ συμπερασμού απαιτούν καλή βελτιστοποίηση ισχύος για βιώσιμη λειτουργία.

Κοιτάζοντας πίσω στο ιστορικό ανάπτυξης, αν η περίοδος 2019-2023 επικεντρώθηκε στην εκπαίδευση και τη συμπίεση δεδομένων για μοντέλα GPT, από το 2024 και μετά, η εστίαση μετατοπίζεται στις δυνατότητες συλλογισμού. Αυτή η μετατόπιση οδηγεί σε ζήτηση για τσιπ συμπερασμάτων.

«Ποιος είναι ο ρόλος του Βιετνάμ στον τομέα της κατασκευής τσιπ; Παρόλο που η βιομηχανία τσιπ είναι μια βιομηχανία τρισεκατομμυρίων δολαρίων, δεν χρειαζόμαστε δεκάδες δισεκατομμύρια δολάρια για να συμμετάσχουμε. Οι Βιετναμέζοι μπορούν να συμβάλουν στο τοπίο των τσιπ τεχνητής νοημοσύνης με πολλούς τρόπους», δήλωσε ο κ. Hieu.

Στοιχεία από τον Δρ. Pham Hy Hieu σχετικά με το υλικό στις υποδομές Τεχνητής Νοημοσύνης.

Οι εκπρόσωποι της OpenAI πρότειναν δύο κύριες κατευθύνσεις. Αντί να αγωνίζεται για την παραγωγή τσιπ για μεγάλης κλίμακας γλωσσικά μοντέλα, το Βιετνάμ θα μπορούσε να επικεντρωθεί στην ανάπτυξη τσιπ χαμηλής ισχύος για αυτοκίνητα, smartphones ή εμφυτεύσιμες ιατρικές συσκευές. Αυτά είναι τμήματα της αγοράς με σημαντικό αναπτυξιακό δυναμικό και χαμηλότερο επενδυτικό κόστος.

Δεύτερον, υπάρχει η ενσωμάτωση υλικού και λογισμικού. Συνεισφορές όπως ο αλγόριθμος Flash Attention 2 καταδεικνύουν πώς ένας έξυπνος συνδυασμός προγραμματισμού και υλικού μπορεί να δημιουργήσει σημαντικές ανακαλύψεις χωρίς να απαιτούνται τεράστιες κεφαλαιακές επενδύσεις.

«Το μέλλον βρίσκεται στα χέρια εκείνων που τολμούν να δουν ευκαιρίες, τολμούν να αναλάβουν ρίσκα και τολμούν να αντιμετωπίσουν κινδύνους», κατέληξε ο κ. Χιέου.

Εξαιρετικές ομάδες στο Zalo AI Challenge 2025

Μετά τις παρουσιάσεις των ομιλητών, παρουσιάστηκαν πολλές πρακτικές λύσεις για την εφαρμογή της Τεχνητής Νοημοσύνης στο Zalo AI Challenge 2025. Ο διαγωνισμός, που ξεκίνησε στα τέλη Οκτωβρίου, προσέλκυσε περισσότερες από 1.000 συμμετέχουσες ομάδες.

Φέτος, το Zalo AI Challenge χωρίζεται σε δύο κατηγορίες: RoadBuddy (χρήση αλγορίθμων για την αναγνώριση σημάτων κυκλοφορίας) και AeroEyes (σχεδιασμός τεχνητής νοημοσύνης για drones ώστε να αναγνωρίζουν αντικείμενα εδάφους). Οι νικήτριες ομάδες θα λάβουν ένα συνολικό χρηματικό έπαθλο 12.000 δολαρίων μαζί με δώρα από χορηγούς.

Σύμφωνα με τους διοργανωτές, οι ερωτήσεις των εξετάσεων φέτος ήταν όλες πρακτικές, αναδεικνύοντας τις δυνατότητες της Τεχνητής Νοημοσύνης εκτός ερευνητικών περιβαλλόντων για την επίλυση προβλημάτων του πραγματικού κόσμου.

Στην πρόκληση RoadBuddy, οι διαγωνιζόμενοι επικεντρώθηκαν στην επεξεργασία δεδομένων από κάμερες αυτοκινήτου. Οι ομάδες έπρεπε να επεξεργαστούν σύνολα δεδομένων βίντεο διάρκειας 0-15 δευτερολέπτων, τα οποία καταγράφηκαν υπό διάφορες χρονικές συνθήκες. Η εργασία του μοντέλου τεχνητής νοημοσύνης ήταν να εντοπίσει με ακρίβεια λεπτομέρειες όπως οδικές πινακίδες, φανάρια και σημάνσεις λωρίδων κυκλοφορίας που εμφανίζονταν στο βίντεο.

Κοινή χρήση και απονομή βραβείων για το Zalo AI Challenge 2025.

Με ένα σύνολο δεδομένων που περιλαμβάνει 1.500 δείγματα εκπαίδευσης, 500 δείγματα δημόσιων δοκιμών και 500 δείγματα ιδιωτικών δοκιμών, οι ανταγωνιστικές ομάδες αξιολογήθηκαν με βάση δύο κριτήρια: την ακρίβεια και τον χρόνο απόκρισης.

Σύμφωνα με την αξιολόγηση του κ. Nguyen Truong Son, οι διαγωνιζόμενοι εφάρμοσαν προηγμένες τεχνικές όπως το Μοντέλο Γλώσσας Οπτικής (VLM). Η γενική διαδικασία περιλαμβάνει την εξαγωγή καρέ από βίντεο ως δεδομένα εισόδου και στη συνέχεια τον συνδυασμό τους με μοντέλα όπως το Qwen ή το YOLO για τον εντοπισμό αντικειμένων και την παροχή λογικής ανάλυσης.

Στα τελικά αποτελέσματα, η ομάδα CtelAI κατέλαβε την πρώτη θέση με ποσοστό ακρίβειας 71,3%, ακολουθούμενη από την BitterSweet με 70,5%.

Με θέμα AeroEyes, οι ομάδες συμμετείχαν σε έναν προκριματικό γύρο πριν προκριθούν στον τελικό. Στους τελικούς, οι υποψήφιοι έπρεπε να προγραμματίσουν μοντέλα απευθείας σε drones, να δημιουργήσουν πορείες πτήσης και να ελέγξουν κάμερες σε πραγματικές συνθήκες για την ανίχνευση αντικειμένων.

Λόγω της δυσκολίας της εργασίας, ο αριθμός των ομάδων που πληρούσαν τις απαιτήσεις δεν ήταν μεγάλος, επομένως οι διοργανωτές εισήγαγαν με ευελιξία ένα συμπληρωματικό θέμα. Οι διαγωνιζόμενες ομάδες προσάρμοσαν γρήγορα τα μοντέλα τους ώστε να πληρούν τις απαιτήσεις. Ως αποτέλεσμα, η ομάδα AIO_C3A κέρδισε χάρη στην υψηλότερη απόδοσή της. Τη δεύτερη θέση μοιράστηκαν οι ομάδες IUH_Alers_K16 και AEB.

Πηγή: https://znews.vn/ai-se-di-xa-den-dau-post1613033.html