Nghiên cứu đột phá được công bố hôm nay trên tạp chí Nature Machine Intelligence đã mở ra hướng đi mới cho việc tối ưu hóa suy luận trong các mô hình AI lớn. Thay vì tăng chiều sâu mạng, các nhà nghiên cứu sử dụng kỹ thuật giải nén thông tin dựa trên nguyên lý lượng tử để giảm kích thước biểu diễn ẩn (latent representation), giúp mô hình 'tập trung' hơn vào dữ liệu quan trọng.
Thử nghiệm thực tế cho thấy phương pháp này giảm thiểu đến 40% lỗi suy luận trong các bài toán logic phức tạp mà không cần tăng số lượng tham số. Điều này đặc biệt quan trọng trong bối cảnh xu hướng mô hình AI đang ngày càng lớn, làm tăng chi phí vận hành và điện năng tiêu thụ của các trung tâm dữ liệu.
Các chuyên gia nhận định đây là bước tiến quan trọng trong cuộc đua tìm kiếm hiệu quả năng lượng (energy efficiency) của trí tuệ nhân tạo. Nhiều viện nghiên cứu tại châu Á và Mỹ đã bắt đầu áp dụng lại mã nguồn mở của nghiên cứu này để tích hợp vào các pipeline huấn luyện hiện có của họ.