Vậy AI 2.0 thực sự đã xuất hiện ngay bây giờ, và nếu bạn đã chờ đợi làn sóng thứ hai đến, thì bạn đã nằm trong đó rồi. Chúng ta đang chứng kiến AI chuyển từ phòng thí nghiệm sang các ứng dụng kinh doanh thực tế trên mọi lĩnh vực. Đúng vậy, NVIDIA nhận được tất cả các tiêu đề với vai trò nhà cung cấp chip, nhưng thành thật mà nói, họ chỉ là một phần của một bức tranh lớn hơn nhiều.

Vấn đề là, AI không phải là một thứ duy nhất. Có nhiều loại AI đang nổi lên cùng lúc, và chúng không hoạt động giống nhau. Phần lớn trong số đó cuối cùng sẽ được tích hợp lại với nhau, nhưng điều đó sẽ mất thời gian. Đúng vậy, đây chính xác là lý do tại sao đây là một bước chơi theo thế hệ - chúng ta đang nói về hàng thập kỷ phát triển phía trước, chứ không chỉ vài năm.

Mạng transformer đang chiếm phần lớn sự chú ý hiện nay, và lý do chính đáng. Những mô hình lớn đã được huấn luyện sẵn này có thể xử lý nhiều nhiệm vụ cùng lúc, hiểu ngôn ngữ, đọc mã, tạo nội dung - ChatGPT và các công cụ tương tự là những ví dụ rõ ràng mà ai cũng biết. Chúng hiệu quả hơn nhiều so với các mô hình độc lập cũ làm cùng một công việc. Cơ sở hạ tầng thực sự ở đây đang được xây dựng bởi các nhà siêu quy mô - Amazon Web Services, Google, IBM, Microsoft. Những công ty này lưu trữ đám mây, và đó là nơi AI thực sự tồn tại hiện tại. Chiến lược hạ tầng đám mây sẽ tiếp tục phát triển.

Tiếp theo là dữ liệu tổng hợp, điều này khá kỳ lạ khi bạn nghĩ về nó. Các công ty AI cần lượng dữ liệu khổng lồ để huấn luyện mô hình của họ, nhưng việc thu thập dữ liệu đó với chi phí hợp lý ngày càng trở nên khó khăn hơn. Các mối quan ngại về quyền riêng tư đang thúc đẩy ngành công nghiệp sử dụng dữ liệu do AI tạo ra để huấn luyện các hệ thống AI khác. Các công ty lái xe tự hành, dịch vụ tài chính, bảo hiểm, dược phẩm - tất cả đều đang sử dụng dữ liệu tổng hợp hiện nay. Khi kết hợp điều đó với công nghệ thị giác máy tính từ các công ty như Ambarella, bạn đang biến dữ liệu thô từ chip thành những hiểu biết thực sự.

Học tăng cường (Reinforcement learning) đưa điều này lên một cấp độ cao hơn. Bạn sử dụng nhiều luồng dữ liệu được nâng cao bởi dữ liệu tổng hợp để tối ưu hóa cách thức hoạt động của sản xuất và robot. Các công ty như Rockwell Automation, Zebra Technologies, Intuitive Surgical và UiPath đang có những bước tiến nghiêm túc ở đây. Nền tảng tự động hóa của UiPath là một ví dụ điển hình - Uber từng gặp khó khăn trong phức tạp vận hành nhưng đã thành công trong việc tái tập trung bằng cách triển khai robot kỹ thuật số của UiPath trên toàn bộ doanh nghiệp.

Lớp kết nối là học liên kết phân tán (federated learning) - về cơ bản là cách các mô hình AI này giao tiếp và chia sẻ dữ liệu với nhau. Google và Microsoft dẫn đầu ở đây, nhưng Oracle và Adobe cũng là những đối thủ quan trọng. Adobe thú vị vì giao diện của họ xuất hiện khắp nơi trên internet, làm cho nó trở thành yếu tố then chốt trong cách các ứng dụng AI thực sự được triển khai. MongoDB là một điểm sáng khác, đang phát triển mạnh mẽ.

Điều ít rõ ràng hơn nhưng cũng quan trọng không kém là suy luận nhân quả - bước tiến tiếp theo của phân tích dữ liệu. Đây không chỉ là so khớp mẫu; nó xác định nguyên nhân và kết quả thực sự từ các tập dữ liệu, đưa ra dự đoán, phát hiện lỗi trước khi chúng xảy ra. Các nhóm R&D dược phẩm đều quan tâm đến điều này. Novartis đã hợp tác với Microsoft và NVIDIA để mở rộng hạ tầng AI của họ trong thập kỷ tới, điều này cho thấy mức độ nghiêm trọng của vấn đề.

Câu chuyện thực sự ở đây là AI 2.0 mới chỉ bắt đầu. Đây không phải là một chu kỳ hype ngắn hạn - chúng ta đang hướng tới lợi nhuận bền vững qua nhiều ứng dụng AI và các chiến lược hạ tầng trong một khung thời gian rất dài.