Mô hình o3 của OpenAI đạt bước đột phá về khả năng lý luận nhưng gặp rào cản về chi phí vận hành

Đăng lúc 23:30 02.01.2025

Tuần trước, OpenAI đã ra mắt mô hình trí tuệ nhân tạo mới nhất của mình, mô hình o3, đánh dấu một bước tiến quan trọng trong lĩnh vực trí tuệ nhân tạo. Mô hình này được xác nhận là đã trải qua quá trình kiểm định an toàn dưới sự giám sát của các nhà nghiên cứu và đã đạt được điểm số ấn tượng theo thang đo ARC-AGI. Thang đo này được thiết lập bởi François Chollet, một nhà nghiên cứu trí tuệ nổi tiếng và người tạo ra framework deep learning Keras. Ngoài ra, thang đo này cũng hướng tới việc kiểm tra khả năng các mô hình trí tuệ nhân tạo thực hiện các tác vụ mới lại, đòi hỏi khả năng tư duy và trí thông minh thật sự, nhằm xác định những mô hình đó có thật sự thông minh như cách các công ty tạo ra nó xác nhận hay không.

View attachment 8127501
ChatGPT ra mắt o3 với những cải tiến về khả năng giải quyết vấn đề

Với bài kiểm tra này, mô hình o3 đã đã đạt điểm số 75,7% trên thước đo ARC trong điều kiện tính toán tiêu chuẩn, và thậm chí đạt điểm cao hơn với con số 87,5%, khi được cung cấp nhiều tài nguyên tính toán hơn. Kết quả này vượt xa con số mà Claude 3.5 đạt được chỉ với 53%. Sự cải thiện đáng kể này cho thấy o3 sở hữu khả năng lý luận và giải quyết vấn đề nâng cao, đưa các hệ thống AI tiến gần hơn đến khả năng thích ứng và trí thông minh giống con người.

Điều cần lưu ý là việc đạt điểm số cao trên thang đo ARC này không đồng nghĩa với việc đạt được AGI. Như François Chollet, người phát triển thước đo này, đã nói: “Việc vượt qua ARC-AGI không đồng nghĩa với việc đạt được AGI, và thực tế, tôi không nghĩ rằng o3 đã là AGI.” Tuy nhiên, o3 thật sự đã có những cải tiến lớn trong khả năng xử lý các tác vụ người dùng yêu cầu theo những hướng khác nhau

Một số điểm mạnh mà mô hình o3 được trang bị

Giới thiệu Program Synthesis - khả năng thích ứng tốt với nhiệm vụ khác nhau

Mô hình o3 được thiết kế để sử dụng dữ liệu đã học nhằm tạo ra các giải pháp mới cho những tác vụ chưa từng gặp. Những giải pháp mới này có thể bao gồm các phép tính toán, khả năng viết code hoặc các hàm logic để xử lý những vấn đề mới.

Tìm kiếm giải pháp tối ưu thông qua Chain of Thoughts

Mô hình o3 đạt kết quả ấn tượng trong các bài kiểm tra lập trình

Trọng tâm của việc mô hình o3 có khả năng thích nghi với các tác vụ mới là việc sử dụng chains of thoughts - CoTs để mô phỏng cách con người tư duy và xử lý vấn đề. Theo đó, trong quá trình suy luận, mô hình o3 chủ động tạo ra nhiều hướng đi và đánh giá chúng trước khi xác định giải pháp khả thi nhất. Các mô hình khác như mô hình của Google hay Anthropic cũng đang cố gắng thực hiện điều tương tự nhưng cách OpenAI thực hiện với o3 này đã thiết lập một tiêu chuẩn mới.

Tích hợp mô hình tự đánh giá

Với mô hình o3 này, OpenAI sẽ tích hợp một mô hình đánh giá được huấn luyện dự trên dữ liệu do các chuyên gia chuẩn bị và phân loại. Điều này cho phép mô hình o3 này tự đánh giá chính tư duy cùng thông tin mà nó phản hồi trong quá trình tìm kiếm giải pháp tốt nhất. Cách tiếp cận này giúp mô hình tiến gần hơn đến khả năng suy nghĩ, phản biện thay vì chỉ đơn giản là phản hồi theo yêu cầu của người dùng.

Khả năng tự thực thi chuỗi suy nghĩ và tự thích ứng

Đồng thời đạt kết quả vượt trội trong các bài kiểm tra liên quan đến toán hoặc khoa học ở mức độ Tiến Sĩ

Một trong những tính năng đột phá nhất của mô hình o3 này là nó có thể tự thực hiện các CoTs của mình. Nói một cách đơn giản là khi đưa ra các chuỗi suy nghĩ cho một vấn đề, o3 có khả năng thực thi từng bước trong chuỗi suy nghĩ đó để kiểm tra rằng liệu nó có khả năng dẫn đến kết quả mà người dùng kì vọng hay không. Trong trường hợp kết quả của bước xử lý không khả thi, nó sẽ tìm cách thích nghi để tìm một hướng giải quyết khác. Cách tiếp cận này cho phép mô hình này tiếp cận các bài toán, câu hỏi với sự linh hoạt cao hơn.

Tìm kiếm giải pháp với việc sử dụng deep learning:

Mô hình o3 sử dụng deep learning trong quá trình suy luận để đánh giá và tối ưu giải pháp cho các vấn đề phức tạp mà người dùng yêu cầu. Khả năng này bao gồm việc tạo ra rất nhiều hướng xử lý và sử dụng các mẫu dữ liệu học trong quá trình huấn luyện để đánh giá tính khả thi. Tuy nhiên, một thách thức mà mô hình này phải đối mặt là việc sử dụng tập dữ liệu từ các chuyên gia cho mô hình tự đánh giá khiến các nhà khoa học quan ngại về khả năng mở rộng tính ứng dụng của mô hình vào các bài toán hoặc nhiệm vụ phức tạp, khó hoặc mang tính thực tiễn nhiều hơn.

Đồng thời, việc sử dụng tập dữ liệu từ các nhà khoa học như cách o3 tiếp cận đồng thời khiến các nhà khoa học quan ngại về việc mô hình này cần có sự giám sát của con người trong quá trình hoạt động, qua đó làm giảm hiệu năng và khả năng thích nghi của nó với các yêu cầu khác nhau từ người dùng.

Một số thách thức mà mô hình o3 đối mặt

Bên cạnh những điểm mạnh kể trên, thách thức lớn nhất đi kèm theo đó là chi phí tính toán rất lớn khi một yêu cầu đơn giản có thể tốn hàng triệu token. Việc này đặt ra một vấn đề về tính hiệu quả chi phí trong việc triển khai mô hình này. Ngoài ra, mô hình o3 cũng đối mặt với những quan ngại khác về tính minh bạch trong quá kiểm thử, đồng thời việc phụ thuộc vào cách học tăng cường khiến chi phí tăng cao nhưng không đảm bảo hiệu quả khi ứng dụng mô hình vào các tình huống khác nhau.

Nguồn: [1][2][3]