TESSERA: Khi Đại học Cambridge chứng minh AI quy mô hành tinh không cần đến Nvidia

Bài viết được dịch và tổng hợp từ tin tức gốc. Bạn có thể đọc bài viết gốc bằng tiếng Anh tại đây.

Điểm tin nhanh:

• TESSERA là mô hình nền tảng quan sát Trái Đất, nén dữ liệu vệ tinh thành các embedding 128-số.
• Dự án được huấn luyện hoàn toàn trên GPU AMD Instinct MI300X và triển khai trên hạ tầng bare-metal của Vultr.
• Cambridge cung cấp mô hình miễn phí dưới giấy phép Creative Commons, thúc đẩy dân chủ hóa dữ liệu môi trường.

Trong nhiều năm qua, cộng đồng công nghệ đã mặc định rằng Nvidia là lựa chọn duy nhất cho các tác vụ AI nặng đô. Tuy nhiên, sự thống trị này đang bị lung lay bởi một dự án đầy tham vọng từ Đại học Cambridge. Thay vì phụ thuộc vào hệ sinh thái CUDA, các nhà nghiên cứu đã chứng minh rằng chúng ta hoàn toàn có thể xây dựng một mô hình AI quy mô hành tinh (planetary-scale) bằng phần cứng AMD. Đây không chỉ là một cột mốc kỹ thuật, mà còn là lời khẳng định về khả năng tự chủ công nghệ trong kỷ nguyên AI.

TESSERA: Cách AI học từ không gian

TESSERA không phải là một mô hình ngôn ngữ lớn (LLM) thông thường. Thay vì xử lý văn bản, nó được thiết kế để "đọc" Trái Đất. Nhóm nghiên cứu đã sử dụng dữ liệu từ các vệ tinh Sentinel của Cơ quan Vũ trụ Châu Âu (ESA), bao gồm cả radar và hình ảnh quang học. Mỗi ô vuông 10 mét trên bề mặt hành tinh được nén thành một "fingerprint" (embedding) gồm 128 con số.

Việc tạo ra các embedding này giúp giảm thiểu đáng kể khối lượng dữ liệu cần thiết cho các tác vụ hạ nguồn. Thay vì phải huấn luyện lại từ đầu cho mỗi bài toán cụ thể như theo dõi lũ lụt hay biến đổi rừng, các nhà khoa học có thể tận dụng các fingerprint có sẵn. Điều này tương tự như cách các kỹ sư tối ưu hóa kiến trúc mã nguồn để đạt hiệu suất cao nhất, giống như cách chúng ta tối ưu hóa quy trình phát triển phần mềm để tạo lợi thế cạnh tranh.

Hiệu năng và hạ tầng: Khi AMD thay thế Nvidia

Điểm ấn tượng nhất của TESSERA chính là hạ tầng tính toán. Nhóm nghiên cứu đã sử dụng 16 GPU AMD Instinct MI300X với phần mềm mã nguồn mở ROCm. Việc huấn luyện mô hình chỉ là bước đầu, thách thức thực sự nằm ở việc xử lý 1,5 nghìn tỷ pixel mỗi năm. Để giải quyết bài toán này, họ đã hợp tác với Vultr để sử dụng các máy chủ bare-metal trang bị GPU AMD Instinct MI325X.

Việc xử lý dữ liệu quy mô lớn đòi hỏi sự ổn định cao. Nếu bạn đang đối mặt với các thách thức về hiệu năng hệ thống, hãy tham khảo cách giải mã bài toán đọc file log JSONL 50MB để có cái nhìn sâu hơn về tối ưu hóa tài nguyên.

Dân chủ hóa dữ liệu môi trường

Giáo sư Anil Madhavapeddy, người dẫn dắt dự án, nhấn mạnh rằng mục tiêu của TESSERA là "dân chủ hóa quyền truy cập vào giám sát môi trường quy mô hành tinh". Bằng cách phát hành miễn phí các embedding dưới giấy phép Creative Commons, Cambridge cho phép bất kỳ chính phủ, startup hay nhà nghiên cứu nào cũng có thể xây dựng ứng dụng dựa trên nền tảng này. Đây là một bước đi quan trọng, tương tự như cách cộng đồng mã nguồn mở đang nỗ lực duy trì sự tự do trong phát triển AI trước các lệnh cấm.

Đánh giá & Lời khuyên Thực tiễn

Từ góc nhìn của một Senior Tech Lead, TESSERA là một minh chứng cho thấy sự phụ thuộc vào một nhà cung cấp duy nhất không phải là con đường duy nhất.

Ưu điểm:

• Khả năng mở rộng tốt trên phần cứng AMD thông qua ROCm.
• Giảm đáng kể nhu cầu về dữ liệu gắn nhãn (labeled data) cho các tác vụ chuyên biệt.
• Tính mở giúp cộng đồng dễ dàng tiếp cận và phát triển ứng dụng.

Lưu ý:

• Hệ sinh thái phần mềm cho AMD vẫn cần thời gian để bắt kịp sự trưởng thành của CUDA trong các ứng dụng thương mại phức tạp.
• Việc triển khai bare-metal yêu cầu kỹ năng quản trị hệ thống chuyên sâu hơn so với các dịch vụ cloud được quản lý hoàn toàn (managed services).

Nếu bạn đang cân nhắc chuyển đổi hạ tầng AI, hãy đảm bảo rằng đội ngũ của bạn đã nắm vững các kỹ thuật tối ưu hóa kiến trúc mã nguồn để giảm thiểu rủi ro khi thay đổi nền tảng phần cứng.

Câu hỏi thường gặp (FAQ)

Tại sao Cambridge lại chọn AMD thay vì Nvidia cho dự án này?

Việc chọn AMD chủ yếu dựa trên khả năng tiếp cận phần cứng hiệu năng cao thông qua các đối tác như Vultr và sự hỗ trợ của phần mềm mã nguồn mở ROCm, giúp giảm chi phí và tránh bị khóa chặt vào một hệ sinh thái độc quyền.

TESSERA có thể áp dụng vào các lĩnh vực nào ngoài môi trường?

Ngoài giám sát môi trường, TESSERA có thể được sử dụng trong nông nghiệp chính xác để dự báo năng suất cây trồng hoặc hỗ trợ quy hoạch năng lượng tái tạo thông qua việc phân tích dữ liệu bề mặt Trái Đất.

Làm thế nào để bắt đầu sử dụng các embedding từ TESSERA?

Bạn có thể truy cập vào repository chính thức của dự án (được công bố kèm theo công trình nghiên cứu) để tải về các embedding và tài liệu hướng dẫn triển khai trên hạ tầng của riêng bạn.

Kết luận

TESSERA không chỉ là một mô hình AI; nó là một tuyên ngôn về sự tự do trong nghiên cứu khoa học. Bằng cách chứng minh rằng chúng ta có thể thực hiện những tác vụ tính toán khổng lồ trên phần cứng phi Nvidia, Cambridge đã mở ra một chương mới cho sự phát triển AI bền vững và cởi mở. Hãy cùng theo dõi hi_dev để cập nhật thêm những đột phá công nghệ mới nhất và đừng quên để lại bình luận nếu bạn có kinh nghiệm triển khai AI trên các nền tảng phần cứng thay thế.