ByteDance nhấn nút tăng tốc cho AI Agent
Tuyển chọn TechFlowTuyển chọn TechFlow
ByteDance nhấn nút tăng tốc cho AI Agent
Sau cú sốc từ DeepSeek, Manus vào đầu năm 2025, các công ty lớn đang xác định lại chiến lược cho bước đi tiếp theo của mình.
Chuyên sâu báo cáo Web3Tác giả: Uyển Thần
Thao tác viết lách xuất sắc của DeepSeek-R1, phong cách tranh phim Ghibli của GPT-4o, khả năng suy luận vị trí địa lý từ hình ảnh của OpenAI o3…
Đây là những sản phẩm AI đình đám liên tục xuất hiện trong hai tháng qua. Bạn có thể thấy rõ ràng rằng: học tăng cường cuối cùng đã có thể khái quát hóa, các mô hình đa phương thức ngày càng trở nên hữu dụng hơn. Điều này cũng đồng nghĩa với việc năm 2025 thực sự đã bước vào thời điểm ứng dụng Agent được triển khai và đẩy mạnh triển khai.
Trước đó, đội ngũ Manus – một Agent AI từng gây sốt – tiết lộ rằng vào cuối năm ngoái, Claude 3.5 Sonnet đã đạt đến mức độ cần thiết để làm Agent trong các nhiệm vụ lập kế hoạch dài hạn và giải quyết vấn đề từng bước, đây chính là tiền đề cho sự ra đời của Manus.
Bây giờ, khi các mô hình tư duy sâu và mô hình đa phương thức tiếp tục trưởng thành, chắc chắn sẽ có thêm nhiều Agent xử lý được các nhiệm vụ phức tạp hơn.
Dựa trên nhận định này, ngày 17 tháng 4, nền tảng dịch vụ điện toán đám mây và AI thuộc ByteDance mang tên "Hỏa Sơn Dẫn Kích" (Volcano Engine) đã công bố một mô hình mạnh mẽ hơn dành cho thị trường doanh nghiệp – Đậu Bao 1.5・Mô hình Tư Duy Sâu, đây cũng là lần đầu tiên mô hình suy luận phía sau ứng dụng AI Đậu Bao (DouBao App) của ByteDance được giới thiệu công khai. Cùng lúc, họ cũng ra mắt phiên bản nâng cấp Mô hình Văn Sinh Đồ 3.0 và Mô hình Hiểu Hình Ảnh thế hệ mới.
Về các mô hình vừa được phát hành, Tổng giám đốc Volcano Engine Đàm Đãi cho rằng: “Mô hình tư duy sâu là nền tảng xây dựng Agent. Mô hình phải có khả năng suy nghĩ, lập kế hoạch và phản tư tốt, và nhất định phải hỗ trợ đa phương thức, giống như con người có thị giác và thính giác, thì Agent mới có thể xử lý tốt các nhiệm vụ phức tạp.”
Khi AI tiến hóa lên khả năng ra quyết định và thực thi tự chủ từ đầu đến cuối, tiến vào các quy trình sản xuất cốt lõi, Volcano Engine cũng chuẩn bị sẵn kiến trúc và công cụ giúp Agent vận hành thế giới số và thế giới vật lý – Giải pháp OS Agent và bộ công cụ suy luận gốc đám mây AI, hỗ trợ doanh nghiệp xây dựng và triển khai ứng dụng Agent nhanh hơn, tiết kiệm hơn.
Theo Đàm Đãi, việc phát triển Agent giống như phát triển một trang web hay ứng dụng, chỉ có API mô hình thôi thì chưa đủ để giải quyết toàn bộ vấn đề, mà cần rất nhiều thành phần gốc đám mây AI. Trước kia, điện toán đám mây có những định nghĩa cốt lõi như container, tính đàn hồi; hiện tại, điện toán đám mây AI cũng sẽ có những yếu tố then chốt tương tự. Thông qua việc liên tục suy ngẫm, khám phá và hành động nhanh chóng trong lĩnh vực điện toán đám mây AI – ví dụ như xây dựng các middleware, đánh giá, giám sát, khả năng quan sát, xử lý dữ liệu, bảo mật và các thành phần liên quan như Sandbox xung quanh mô hình, Volcano Engine đang nỗ lực trở thành giải pháp hạ tầng tối ưu trong thời đại AI.
01 Mô hình tư duy sâu Đậu Bao: Vừa nhìn, vừa nghĩ, vừa tìm kiếm như con người
Từ đầu năm nay khi DeepSeek-R1 ra mắt, nhiều ứng dụng ToC đã tích hợp mô hình suy luận R1, ngoại trừ Đậu Bao App. Tháng 3 vừa qua, chế độ "Tư duy sâu" ra mắt trên Đậu Bao App, đằng sau đó là mô hình tư duy sâu tự nghiên cứu phát triển bởi ByteDance.
Hiện tại, mô hình suy luận này – Đậu Bao 1.5・Mô hình Tư Duy Sâu – chính thức được phát hành, có thể trải nghiệm và gọi dùng thông qua nền tảng Hỏa Sơn Phương Châu (Volcano Ark).
Nhấn vào chế độ kết nối mạng, Đậu Bao có thể như con người khi giải quyết vấn đề: nghĩ một chút, tìm kiếm một chút, rồi tiếp tục suy nghĩ… cuối cùng hướng tới mục tiêu giải quyết vấn đề.
Đây là một ví dụ trong tình huống mua sắm: đưa ra ngân sách, kích thước và các điều kiện giới hạn khác, yêu cầu Đậu Bao gợi ý một bộ đồ cắm trại phù hợp.
Trong câu hỏi này, Đậu Bao trước tiên phân tích các lưu ý, lên kế hoạch thông tin cần thiết, sau đó xác định thông tin còn thiếu và tiến hành tìm kiếm trực tuyến. Nó đã tìm kiếm ba lượt: trước tiên tra cứu giá cả và hiệu suất để đảm bảo phù hợp với ngân sách và nhu cầu; sau đó cân nhắc nhu cầu riêng của trẻ em, cuối cùng xem xét thời tiết và tìm kiếm các đánh giá chi tiết liên quan. Vừa suy nghĩ vừa tìm kiếm cho đến khi thu thập đầy đủ ngữ cảnh cần thiết để ra quyết định, rồi đưa ra câu trả lời kèm lập luận.
Ngoài khả năng vừa tìm kiếm vừa suy nghĩ, mô hình tư duy sâu Đậu Bao còn sở hữu năng lực suy luận thị giác, giống như con người, không chỉ suy nghĩ dựa trên văn bản mà còn dựa trên hình ảnh nhìn thấy.
Lấy ví dụ về đặt món ăn: dịp lễ 1/5 sắp đến, du khách đi nước ngoài không cần chụp ảnh thực đơn gửi sang phần mềm dịch thuật nữa, mô hình tư duy sâu Đậu Bao có thể trực tiếp giúp bạn đặt món dựa trên hình ảnh.
Trong ví dụ dưới đây, mô hình tư duy sâu Đậu Bao trước tiên quy đổi tỷ giá để kiểm soát ngân sách, sau đó cân nhắc sở thích của người già và trẻ nhỏ, đồng thời cẩn thận tránh các món gây dị ứng, trực tiếp đưa ra phương án thực đơn.
Kết nối mạng, tư duy, suy luận, đa phương thức – mô hình Đậu Bao 1.5・Tư Duy Sâu thể hiện năng lực tổng hợp suy luận, có thể giải quyết các vấn đề phức tạp hơn.
Theo báo cáo kỹ thuật, mô hình Đậu Bao 1.5・Tư Duy Sâu đạt tỷ lệ hoàn thành cao trong các nhiệm vụ suy luận chuyên ngành, ví dụ như trong bài kiểm tra suy luận toán học AIME 2024, điểm số bằng ngang OpenAI o3-mini-high; thành tích trong thi lập trình và suy luận khoa học cũng gần bằng o1. Trong các nhiệm vụ phổ thông như viết sáng tạo, hỏi đáp kiến thức nhân văn, mô hình cũng thể hiện khả năng khái quát xuất sắc, có thể đáp ứng nhiều kịch bản sử dụng rộng rãi hơn.
Mô hình tư duy sâu Đậu Bao còn có đặc điểm độ trễ thấp. Báo cáo kỹ thuật cho biết mô hình áp dụng kiến trúc MoE, tổng số tham số 200B, nhưng chỉ kích hoạt 20B tham số, nhờ đó đạt hiệu quả sánh ngang các mô hình hàng đầu với số tham số nhỏ hơn. Nhờ thuật toán hiệu quả cao và hệ thống suy luận hiệu suất cao, dịch vụ API mô hình Đậu Bao đảm bảo xử lý lượng lớn đồng thời vẫn giữ độ trễ ở mức thấp kỷ lục 20 mili giây.
Đồng thời, nó cũng có khả năng đa phương thức, có thể áp dụng mô hình tư duy sâu vào nhiều tình huống khác nhau. Ví dụ, nó có thể hiểu được các sơ đồ quy trình quản lý dự án doanh nghiệp phức tạp, nhanh chóng xác định thông tin then chốt và, nhờ khả năng tuân thủ lệnh mạnh mẽ, trả lời câu hỏi của khách hàng theo đúng sơ đồ quy trình; khi phân tích ảnh chụp từ trên cao, có thể kết hợp đặc điểm địa hình để đánh giá khả năng phát triển khu vực.
Ngoài mô hình suy luận, lần này họ mô hình lớn Đậu Bao còn cập nhật hai mô hình khác. Về mô hình văn sinh đồ, Đậu Bao ra mắt phiên bản nâng cấp 3.0 mới nhất, có thể đạt hiệu quả xếp chữ tốt hơn, tạo hình ảnh như ảnh thật, và chế độ tạo ảnh độ nét cao 2K.
Phiên bản mới không chỉ giải quyết tốt vấn đề khó khăn về tạo chữ nhỏ và văn bản dài, mà còn cải thiện bố cục hình ảnh. Chẳng hạn hai poster "Hiện Thân" và "Kế Hoạch Thu Hoạch" ở bên trái, chi tiết được tạo khá tinh tế, bố cục tự nhiên, có thể dùng ngay.
Cập nhật thứ hai là mô hình hiểu hình ảnh Đậu Bao 1.5. Phiên bản mới có hai cải tiến chính: định vị hình ảnh chính xác hơn và hiểu video thông minh hơn.
Về định vị hình ảnh, mô hình hiểu hình ảnh Đậu Bao 1.5 hỗ trợ định vị khung và điểm cho nhiều đối tượng, đối tượng nhỏ, đối tượng chung, hỗ trợ đếm số lượng, mô tả nội dung định vị và định vị 3D. Việc nâng cao khả năng định vị hình ảnh giúp mở rộng phạm vi ứng dụng mô hình, ví dụ như kiểm tra cửa hàng ngoại tuyến, agent GUI, huấn luyện robot, huấn luyện xe tự lái, v.v.
Về khả năng hiểu video, mô hình cũng được nâng cấp đáng kể, bao gồm khả năng ghi nhớ, tổng hợp - hiểu, cảm nhận tốc độ và hiểu video dài. Doanh nghiệp có thể dựa trên khả năng hiểu video để tạo ra các ứng dụng thương mại thú vị hơn, ví dụ trong gia đình, ta có thể dùng khả năng hiểu video kết hợp tìm kiếm vector để thực hiện tìm kiếm ngữ nghĩa trên video giám sát nhà.
Chẳng hạn trong ví dụ dưới đây, người nuôi mèo muốn biết hoạt động hằng ngày của mèo, giờ đây chỉ cần tìm kiếm “Hôm nay mèo con ở nhà làm gì?” là có thể nhanh chóng nhận được các đoạn video liên quan về mặt ngữ nghĩa để xem lại.
Nhờ mô hình suy luận tích hợp khả năng hiểu hình ảnh và tiềm lực suy luận mạnh mẽ, nhiều việc trước đây không làm được nay đã có thể thực hiện, mở ra thêm nhiều kịch bản ứng dụng, chẳng hạn camera tích hợp chức năng này chắc chắn sẽ được ưa chuộng hơn, kính AI, đồ chơi AI, camera thông minh, khóa cửa thông minh cũng sẽ có không gian phát triển mới.
02 Điện toán đám mây bước vào thời đại Agentic AI
Gần đây, nhà nghiên cứu OpenAI Diêu Thuận Vũ (tác giả chính của Deep Research, Operator) trong bài viết “Nửa sau của AI” chỉ ra rằng, học tăng cường cuối cùng đã tìm được con đường khái quát hóa, không chỉ hiệu quả trong lĩnh vực cụ thể như AlphaGo đánh bại kỳ thủ cờ vây, mà còn đạt trình độ gần bằng con người trong kỹ thuật phần mềm, viết sáng tạo, toán học cấp IMO, thao tác chuột và bàn phím... Trong tình huống này, việc so sánh điểm số bảng xếp hạng hay cố gắng đạt điểm cao hơn trên các bảng xếp hạng phức tạp hơn dễ thực hiện hơn, nhưng cách đánh giá này đã lỗi thời.
Giờ đây, cuộc đua nằm ở khả năng định nghĩa vấn đề. Nói cách khác, AI cần giải quyết vấn đề gì trong đời sống thực?
Năm 2025, câu trả lời là Agent năng suất. Hiện tại, các tình huống ứng dụng AI đang nhanh chóng bước vào thời đại Agentic AI, AI dần có thể hoàn thành các nhiệm vụ toàn diện đòi hỏi chuyên môn cao và tốn nhiều thời gian. Trong bối cảnh này, Volcano Engine cũng xây dựng loạt cơ sở hạ tầng giúp doanh nghiệp "định nghĩa Agent phổ quát riêng của mình".
Quan trọng nhất là mô hình, có khả năng tự lập kế hoạch, phản tư, ra quyết định và thực thi tự chủ từ đầu đến cuối, tiến vào các khâu sản xuất cốt lõi. Đồng thời, cần có khả năng suy luận đa phương thức để Agent có thể hoàn thành nhiệm vụ trong thế giới thực thông qua tai, miệng và mắt.
Ngoài mô hình, hệ thống công nghệ Infra cũng cần liên tục tiến hóa. Ví dụ, khi kiến trúc MoE ngày càng thể hiện ưu thế hiệu quả, dần trở thành kiến trúc chủ đạo của mô hình, kéo theo đó là việc điều phối cần kiến trúc và công cụ điện toán đám mây phức tạp, linh hoạt hơn.
Hiện tại, trong các tình huống Agent phổ quát, Volcano Engine giới thiệu kiến trúc và công cụ tốt hơn – Giải pháp OS Agent, hỗ trợ mô hình lớn thao tác thế giới số và thế giới vật lý, ví dụ như Agent thao tác trình duyệt, tìm trang sản phẩm, thực hiện nhiệm vụ so sánh giá iPhone, thậm chí Agent dùng phần mềm Jianying để chỉnh sửa video, phối nhạc trên máy tính từ xa.
Hiện nay, Giải pháp OS Agent của Volcano Engine bao gồm mô hình UI-TARS Đậu Bao, dịch vụ hàm veFaaS, máy chủ đám mây, điện thoại đám mây và các sản phẩm khác, thực hiện thao tác với mã, trình duyệt, máy tính, điện thoại và các Agent khác. Trong đó, mô hình UI-TARS Đậu Bao tích hợp hiểu hình ảnh màn hình, suy luận logic, định vị và thao tác phần tử giao diện, vượt qua giới hạn của các công cụ tự động hóa truyền thống phụ thuộc vào quy tắc đặt sẵn, cung cấp nền tảng mô hình cho tương tác thông minh của Agent gần giống thao tác con người.
Trong các tình huống Agent phổ quát, Volcano Engine thông qua bộ giải pháp OS Agent này giúp doanh nghiệp, cá nhân hoặc lĩnh vực chuyên biệt định nghĩa và khám phá Agent theo nhu cầu.
Đối với các Agent chuyên biệt, Volcano Engine sẽ khám phá dựa trên lĩnh vực thế mạnh của mình, ví dụ như trước đó ra mắt “Trợ lý lập trình thông minh Trae” và sản phẩm dữ liệu “Data Agent”, sản phẩm sau thông qua xây dựng vòng xoáy dữ liệu, phát huy tối đa khả năng xử lý dữ liệu.
Mặt khác, khi Agent ngày càng thâm nhập sâu, sẽ dẫn đến mức tiêu thụ suy luận mô hình lớn hơn. Đối mặt với nhu cầu suy luận quy mô lớn, Volcano Engine đặc biệt xây dựng bộ công cụ suy luận gốc đám mây AI ServingKit, giúp triển khai mô hình nhanh hơn, giảm chi phí suy luận, tiêu thụ GPU giảm 80% so với giải pháp truyền thống.
Theo Đàm Đãi, để đáp ứng nhu cầu thời đại AI, Volcano Engine sẽ tiếp tục nỗ lực trên ba phương diện: liên tục tối ưu mô hình, duy trì tính cạnh tranh; không ngừng giảm chi phí, bao gồm phí tổn, độ trễ và nâng cao tỷ lệ thông lượng; giúp sản phẩm dễ triển khai hơn, ví dụ như các công cụ dành cho nhà phát triển như Kouzi, HiAgent, và các thành phần gốc đám mây như OS Agent. Duy trì dẫn đầu về sản phẩm và công nghệ, thị phần cũng sẽ dẫn đầu. Báo cáo "Phân tích cấu trúc thị trường dịch vụ mô hình lớn đám mây công cộng Trung Quốc, Q1 2025" do IDC công bố trước đó cho thấy Volcano Engine đứng đầu thị trường với 46,4% thị phần.
Tháng 12 năm ngoái, lượng token truy vấn trung bình mỗi ngày của mô hình lớn Đậu Bao là 4 nghìn tỷ. Tính đến cuối tháng 3 năm nay, con số này đã vượt quá 12,7 nghìn tỷ, so với thời điểm mới ra mắt mô hình Đậu Bao, trong chưa đầy một năm ngắn ngủi, tăng trưởng nhanh hơn 106 lần. Tương lai, khi mô hình tư duy sâu, suy luận thị giác tiếp tục trưởng thành và hạ tầng đám mây AI được tối ưu, Agent sẽ thúc đẩy lượng truy vấn token lớn hơn nữa.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
极客公园
