BIẾN DÀN MAC CŨ THÀNH "SIÊU AI" NỘI BỘ: BÀI HỌC CÔNG NGHỆ TỪ TRUNG QUỐC

Một câu chuyện đang lan truyền chóng mặt trên mạng xã hội: Một trường học ở Trung Quốc đã gom những chiếc Mac M1 Ultra đóng bụi trong phòng lab để tạo ra một hệ thống AI riêng biệt cho giáo viên và học sinh. Điểm đáng kinh ngạc: Hệ thống này miễn phí, hoàn toàn bảo mật và chạy không cần internet!

Nghe có vẻ viễn tưởng, nhưng về mặt kỹ thuật, điều này hoàn toàn khả thi ngay lúc này. Bí quyết nằm ở sự kết hợp của hai công nghệ đột phá:

1. Exo - "Gắn kết sức mạnh":

Thay vì tốn hàng chục ngàn USD mua card đồ họa chuyên dụng như NVIDIA H100, phần mềm Exo chia nhỏ mô hình AI và phân phối chúng để chạy trên một cụm các máy Mac cũ. Tất cả hoạt động cục bộ qua mạng nội bộ, kết hợp bộ nhớ (RAM) của nhiều máy lại để xử lý những tác vụ AI nặng nề mà không tốn thêm chi phí.

2. OpenClaw - "Đôi mắt và đôi tay của AI":

Làm sao để AI biết thông tin của trường? Không cần lập trình hay hệ thống database phức tạp. OpenClaw (một AI agent đang làm mưa làm gió với hơn 250.000 lượt sao trên GitHub) có thể trực tiếp đọc dữ liệu rải rác từ các file Word, Excel, PDF (như lịch thi, nội quy) y như một nhân viên mới đang đọc tài liệu.

Hơn cả một câu chuyện ở trường học, đây đang là một làn sóng thực sự. Từ các ông lớn như Tencent, Alibaba đến cả chính quyền địa phương tại Trung Quốc đều đang tích cực hỗ trợ triển khai OpenClaw để biến AI thành một nền tảng hạ tầng phổ thông như điện và internet.

Dù câu chuyện về trường học kia có thể chỉ là tin đồn, nhưng công nghệ đằng sau nó là có thật 100%.

Ở Việt Nam, đang có bao nhiêu chiếc máy tính cũ nằm bụi trong kho và bao nhiêu tài liệu nội bộ đang bị lãng phí tại các trường học, doanh nghiệp? Ai sẽ là người tiên phong tận dụng chúng?

Gemini Embedding 2 là mô hình embedding đa phương thức (multimodal) đầu tiên của Google, được xây dựng dựa trên kiến trúc Gemini.

Nó làm được cái chính này:
Biến mọi thứ (văn bản, ảnh, video, audio, file PDF/tài liệu) → thành một vector số duy nhất trong cùng một không gian ý nghĩa (semantic space).

→ Bạn có thể so sánh độ tương đồng giữa các thứ hoàn toàn khác loại, ví dụ:
- Tìm video giống với một đoạn text mô tả
- Tìm ảnh giống với nội dung một file PDF
- Tìm audio giống với caption của một bức ảnh
... tất cả dùng chung một hệ thống, không cần tách riêng từng loại embedding nữa.

Điểm nổi bật nhanh:
- Hỗ trợ: text 8192 token, 6 ảnh/lần, video ~120 giây, audio native (không cần transcribe), PDF ~6 trang
- Hơn 100 ngôn ngữ
- Vector tối đa 3072 chiều, nhưng có thể cắt xuống (Matryoshka) để tiết kiệm dung lượng (768 hoặc 1536 chiều vẫn giữ chất lượng tốt)
- Giảm latency đáng kể (nhiều công ty báo cáo 50–70% nhanh hơn pipeline cũ)
- Đang public preview, free thử ở Google AI Studio, sau đó tính phí theo usage

Nói đơn giản nhất: Nó là “Google Translate” cho việc so sánh ý nghĩa giữa text ↔ ảnh ↔ video ↔ âm thanh ↔ tài liệu, giúp xây RAG, search, recommendation, phân loại đa phương thức dễ dàng và mạnh hơn rất nhiều so với trước.

Hiện tại (tháng 3/2026) đang là một trong những embedding multimodal mạnh nhất công khai.