Dữ liệu mở cho AI Agents: Bước tiến mới từ Hugging Face và NVIDIA

Quay lại các bài viết

Tại sao AI tác nhân (agentic AI) cần dữ liệu mở và tại sao dữ liệu tổng hợp (synthetic data) lại là cách chúng ta mở rộng quy mô cho nó.

Hình ảnh: Nemotron Post-Training v3 Prompt Atlas

Hơn cả trọng số mô hình

Việc xây dựng các tác nhân AI rất khó khăn, vì thế giới thực không vận hành giống như một bộ tiêu chuẩn đánh giá (benchmark).

Một tác nhân không thể phục hồi sau một lệnh gọi API bị lỗi hoặc một quy trình làm việc mà nó chưa từng thấy, thì không thực sự là một tác nhân. Nó chỉ là một công cụ tự động hoàn thiện (autocompleter) có kèm các công cụ hỗ trợ. Để chuyển từ trạng thái này sang trạng thái kia là một bài toán về dữ liệu: các dấu vết kỹ thuật phần mềm, lỗi sử dụng công cụ, suy luận đa bước, truy xuất, an toàn, mô phỏng người dùng, thực thi quy trình làm việc và cuối cùng là tương tác với thế giới vật lý. Đó chính là nơi các sản phẩm dữ liệu mở của NVIDIA Nemotron phát huy tác dụng.

NVIDIA gần đây đã nhấn mạnh cách các mô hình mở đang thúc đẩy nghiên cứu AI và xuất hiện tại Hội nghị Quốc tế về Học máy (ICML) phổ biến, với gần 145 bài báo trích dẫn các mô hình và tập dữ liệu Nemotron. Dữ liệu tổng hợp đóng một vai trò quan trọng trong hệ sinh thái đó:

Một phần lý do NVIDIA phát hành các tập dữ liệu mở là để học hỏi cùng cộng đồng nhằm mở rộng các ứng dụng đa dạng này.

Trọng số mở (open weights) rất quan trọng. Nhưng đối với các tác nhân, trọng số chỉ là một phần của câu chuyện. Khả năng tái lập còn phụ thuộc vào các tập dữ liệu, các lựa chọn tuyển chọn, công thức huấn luyện và phương pháp đánh giá đằng sau mô hình.

Hành vi của tác nhân cần phải có khả năng kiểm tra được. Nếu một mô hình gọi các công cụ, thực thi quy trình làm việc, truy xuất thông tin và hành động trên các hệ thống, các nhà phát triển cần hiểu dữ liệu đã định hình nên những hành vi đó. Dữ liệu mở giúp hành vi của tác nhân có thể kiểm tra và giải thích được. Dữ liệu tổng hợp là một mảnh ghép quan trọng để biến điều đó thành hiện thực.

Hãy giữ nó như một bí mật

Phó chủ tịch phụ trách Nghiên cứu Học sâu Ứng dụng của NVIDIA, Bryan Catanzaro, gần đây đã lưu ý: "mỗi công ty đều được xây dựng xung quanh một bí mật" — một quy trình làm việc, kho dữ liệu hoặc mô hình khách hàng mà các đối thủ cạnh tranh không có. Những bí mật đó làm cho AI trở nên hữu ích, nhưng các công ty không nên vô tình tiết lộ chúng. Dữ liệu tổng hợp cung cấp cho các nhóm một cách để bảo tồn các tín hiệu hữu ích mà không cần tiết lộ các nguồn gốc cơ bản.

Bryan cũng nói về việc nuôi dưỡng một hệ sinh thái AI đa dạng và có sự tham gia, nơi nhiều loại hình công ty, nhà nghiên cứu, chính phủ và cộng đồng có thể đóng góp. Đó không chỉ là một tuyên bố về giá trị. Đó là một tuyên bố về dữ liệu.

Nếu mọi mô hình đều học từ cùng một nhóm dữ liệu hạn hẹp, chúng ta không nên ngạc nhiên khi các mô hình bắt đầu trở nên giống nhau. Phần khó khăn là dữ liệu hữu ích nhất thường nằm trong các tổ chức không thể hoặc sẽ không công bố trực tiếp. Mọi người đều được hưởng lợi từ một lớp dữ liệu chia sẻ phong phú hơn. Không ai muốn là người đầu tiên từ bỏ thứ làm nên sự đặc biệt của họ.

Dữ liệu tổng hợp, được phát hành công khai, là một cách để thay đổi bài toán đó.

Khám phá dữ liệu tác nhân

Là một phần của dữ liệu mở Nemotron, chúng tôi đã phát hành hơn 10 nghìn tỷ token tiền huấn luyện và hàng triệu mẫu hậu huấn luyện trải dài trên nhiều lĩnh vực và hình thái dữ liệu. Đó là một khối lượng lớn cần được thấu hiểu — và các bảng tập dữ liệu thô không giúp ích được nhiều.

Để giúp việc khám phá những gì thực sự có trong dữ liệu hậu huấn luyện Nemotron trở nên dễ dàng hơn, chúng tôi đã xây dựng Nemotron Post-Training v3 Prompt Atlas: một bản đồ trực quan tương tác, nơi mỗi điểm là một mẫu câu lệnh (prompt), được rút ra từ bộ sưu tập hậu huấn luyện Nemotron v3 và lấy mẫu theo khối lượng để phản ánh tỷ lệ trung thực của hỗn hợp dữ liệu.

Các lớp phủ màu và bộ lọc cho phép bạn sắp xếp lại bản đồ theo tập dữ liệu, giai đoạn đường ống, lĩnh vực hoặc việc sử dụng công cụ. Vì các câu lệnh có ngữ nghĩa tương tự nhau sẽ tập hợp lại với nhau, bạn có thể phóng to vào một khu vực — thuật toán mã hóa, an toàn, toán học, hành vi tác nhân — kiểm tra các ví dụ đại diện và sử dụng tín hiệu đó để tuyển chọn dữ liệu, xây dựng các đánh giá hoặc hiểu lý do tại sao một mô hình lại hành xử như vậy.

Viva La Persona (Sống với các nhân cách)

Các tác nhân cũng cần hiểu những người mà chúng được xây dựng để hỗ trợ, và đây là nơi "chất lượng dữ liệu" trở nên mang tính địa phương, không phải phổ quát. Một bộ phân loại độc hại được huấn luyện trên dữ liệu internet tiếng Anh có thể bỏ lỡ các thông điệp thù địch bằng tiếng Hàn hoặc tiếng Nhật, nơi sự hung hăng thường được mã hóa trong các cấp độ lịch sự thay vì từ vựng rõ ràng. Cùng một tín hiệu, bối cảnh khác nhau. Các nhóm đã và đang xây dựng nền tảng cho các tác nhân theo cách này.

Nemotron-Personas là một nỗ lực nhằm giải quyết vấn đề đó: các nhân cách tổng hợp được xây dựng dựa trên địa phương, nắm bắt sự đa dạng và phức tạp của các quần thể. Được xây dựng bằng NeMo Data Designer, công cụ AI hợp chất tiên tiến của NVIDIA để tạo dữ liệu tổng hợp, Nemotron-Personas phản ánh các số liệu thống kê chính thức về nhân khẩu học và địa lý của khu vực. Mục tiêu không phải là tái tạo những người thực. Theo một cách nào đó, nó giúp các nhà phát triển kiểm tra xem hệ thống của họ có phản ánh đúng người dùng, ngôn ngữ, khu vực và nghề nghiệp mà họ tuyên bố phục vụ hay không. Tháng trước tại VivaTech ở Paris, chúng tôi đã ra mắt quốc gia thứ mười trong bộ sưu tập, hiện đại diện cho hơn 2,4 tỷ người.

Khi chất lượng mang tính địa phương, chỉ những người hiểu địa phương đó mới có thể xây dựng nó — các nhà nghiên cứu khu vực, người bản ngữ, chuyên gia về chủ đề, các bên liên quan có thể kiểm tra và sửa lỗi cùng với bạn. Đó là học hỏi công khai: không phải phát hành dữ liệu một cách cô lập, mà là xây dựng nó một cách cộng tác.

Sự thật nền tảng (Ground Truths)

Dữ liệu tổng hợp cần được tích hợp như một phần của hệ thống các nguồn dữ liệu. Có những sự đánh đổi. Nó có thể giảm thiểu rủi ro, nhưng không loại bỏ nhu cầu về việc xây dựng nền tảng, dòng dõi dữ liệu, tuyển chọn, đánh giá và sự phán đoán của con người.

Một cách hữu ích để suy nghĩ về điều này là với "ngưỡng tổng hợp": những điểm mà tại đó dữ liệu không còn có thể được coi là hoàn toàn thực. Ranh giới đó không phải lúc nào cũng rõ ràng. Các quy trình làm việc thực, phản hồi của con người, dấu vết do mô hình tạo ra, người dùng mô phỏng và nhãn tổng hợp đều có thể đan xen vào nhau. Câu trả lời không phải là giả vờ rằng dữ liệu tổng hợp là giả hoặc vô hại. Đó là việc ghi lại những gì đã được tạo ra, những gì đã được xây dựng nền tảng, những gì đã được xem xét và những gì dữ liệu đó nhằm mục đích kiểm tra. Khi ngày càng có nhiều hệ thống AI được huấn luyện trên thông tin nhân tạo, chúng ta cần những thói quen chia sẻ tốt hơn để kiểm tra, ghi lại và tranh luận về các công nghệ này một cách công khai.

Chất lượng cũng có nghĩa khác nhau trong các bối cảnh khác nhau. Dữ liệu suy luận cần các bài toán khó hơn và các dấu vết sạch hơn. Dữ liệu nhân cách cần độ trung thực về phân phối và sự xem xét tại địa phương. Các quy trình làm việc của tác nhân cần sự đa dạng về tác vụ, độ bao phủ lỗi và các lộ trình phục hồi. Lĩnh vực này vẫn mang tính thủ công nhiều hơn là công thức.

Đó là lý do tại sao các phương pháp mở lại quan trọng. Dữ liệu tổng hợp không chỉ là tạo ra nhiều ví dụ hơn. Đó là việc đặt ra những câu hỏi hay hơn và tạo điều kiện cho các bên vốn không thể ngồi cùng một bàn: các công ty mà không cần tiết lộ bí mật của họ, các chính phủ mà không làm tổn hại đến quyền riêng tư và các nhà nghiên cứu mà không cần chờ đợi sự cho phép có thể không bao giờ đến.

Nguồn lực khan hiếm trong AI không phải là token. Đó là sự tin tưởng giữa các tổ chức. Dữ liệu tổng hợp là một trong số ít công cụ chúng ta có để xây dựng điều đó.

Chúng tôi đã tổ chức một buổi phát trực tiếp vào Thứ Ba, ngày 7 tháng 7 năm 2026 về chủ đề Tại sao dữ liệu mở lại quan trọng với một hội đồng chuyên gia tuyệt vời. Rất đáng để xem, cùng với các bộ sưu tập dữ liệu Nemotron trên Hugging Face.

Cập nhật thông tin về NVIDIA Nemotron bằng cách đăng ký nhận tin tức từ NVIDIA và theo dõi NVIDIA AI trên LinkedIn, X, YouTube và kênh Nemotron trên Discord.

Truy cập các Mô hình Nemotron mở trên Hugging Face và bộ sưu tập các dịch vụ vi mô NIM cùng các Ví dụ dành cho nhà phát triển trên build.nvidia.com.