[비즈한국] “Nếu mô hình ngôn ngữ chỉ là khái niệm được hiện thực hóa bằng văn bản, thì ở giai đoạn hoàn thiện đa phương thức, nó có thể tạo ra kết quả dưới nhiều hình thức khác nhau như tự tạo hình ảnh mới hay tạo ra giọng nói tự nhiên giống con người.”
Noh Byeong-seok, trưởng bộ phận Unified Foundation Model Studio tại Kakao035720, đã phát biểu như trên khi giới thiệu về xu hướng phát triển AI đa phương thức mới nhất của Kakao tại buổi thuyết trình khách mời của ‘KAIST AI Tech Seminar 2026’ diễn ra ở COEX, Seoul vào ngày 7. Trong bối cảnh cuộc cạnh tranh AI tạo sinh đang vượt ra khỏi phạm vi chỉ tập trung vào văn bản để bước sang kỷ nguyên đa phương thức, nơi AI có thể hiểu và phản hồi đồng thời cả thị giác lẫn âm thanh, Kakao cũng đang tăng tốc nâng cấp mô hình AI tích hợp của riêng mình.
Sự kết hợp giữa ‘V’ và ‘A’… Hiện thực hóa AI đa phương thức thời gian thực
‘Kanana-o’ (Kanana-o) mà Kakao đang phát triển là một mô hình ngôn ngữ đa phương thức tích hợp có khả năng hiểu và phản hồi đồng thời cả văn bản, giọng nói và hình ảnh. Đây là hình thức hợp nhất giữa mô hình chuyên xử lý hình ảnh ‘Kanana-v’ và mô hình hiểu/tạo âm thanh ‘Kanana-a’ hiện có.
Trưởng bộ phận Noh giải thích: “Chúng tôi đã phát triển riêng biệt mô hình thị giác hiểu văn bản/hình ảnh và mô hình hiểu/tạo âm thanh. Vì cả hai mô hình đều sử dụng cấu trúc dựa trên LLM giống nhau, nên chúng tôi có thể hợp nhất chúng một cách hiệu quả thông qua việc gộp mô hình (merging).”
Kakao đã nâng cao độ hoàn thiện kỹ thuật thông qua quá trình thử nghiệm Closed Beta (CBT) cho API Kanana-o kéo dài 3 tháng, bắt đầu từ ngày 27 tháng 2. Đặc biệt, ông nhấn mạnh việc tập trung vào giảm thời gian chờ đợi mà người dùng cảm nhận được trong quá trình phản hồi bằng giọng nói. Trưởng bộ phận Noh cho biết: “Phương thức cũ yêu cầu người dùng phải đợi cho đến khi toàn bộ câu trả lời được tạo xong mới có thể nghe được âm thanh, nhưng chúng tôi đã chuyển sang phương thức phát trực tuyến (streaming), từ đó rút ngắn thời gian chờ đợi để nghe được âm thanh đầu tiên từ 1,5 giây xuống còn 0,5 giây, tức là nhanh gấp 3 lần.”
Công nghệ nội bộ nhằm nâng cao hiệu quả tạo giọng nói cũng đã được giới thiệu. Kakao đã phát triển và áp dụng kỹ thuật tokenizer tự thân mang tên ‘LMSPT’ để nén và chuyển đổi giọng nói thành các đơn vị dễ xử lý hơn đối với AI. Theo đó, tốc độ tạo giọng nói có thể tăng lên gấp 6 lần so với trước đây.
Trong bài thuyết trình, phương pháp xử lý hình ảnh của mô hình đa phương thức cũng được giới thiệu. Thông thường, khi xử lý hình ảnh độ phân giải cao, các mô hình AI sẽ thu nhỏ hoặc chia nhỏ hình ảnh, điều này có thể dẫn đến mất chi tiết. Trước thực trạng đó, Kakao cho biết họ đang phát triển theo hướng áp dụng phương pháp ‘Độ phân giải gốc’ (Native Resolution), cho phép xử lý hình ảnh trong khi vẫn giữ nguyên độ phân giải ban đầu, nhằm nâng cao hiệu suất hiểu các hình ảnh chi tiết như tài liệu hoặc biểu đồ.
Buổi hội thảo kỹ thuật này, do Trường Sau đại học AI Kim Jaechul của KAIST, Cơ quan Xúc tiến Công nghiệp Seongnam và Chính quyền Thủ đô Seoul đồng tổ chức, đã diễn ra vào ngày thứ hai trong khuôn khổ ‘AI Expo Korea’ kéo dài 3 ngày kể từ ngày 6. Tại hiện trường, các thành tựu nghiên cứu AI trọng điểm và công nghệ trí tuệ nhân tạo mới nhất đang lan tỏa trong ngành công nghiệp đã được giới thiệu tới giới chuyên môn và công chúng.
Trở thành 'giác quan' của 'Agentic AI'
Công nghệ đa phương thức của Kakao được dự đoán sẽ trở thành một trong những nền tảng cốt lõi trong chiến lược AI của hãng trong tương lai. Dựa trên mô hình AI tự phát triển ‘Kanana’, Kakao không chỉ mở rộng các chức năng AI trong KakaoTalk mà còn đang nỗ lực tiến hóa vượt ra khỏi khuôn khổ một ứng dụng nhắn tin để trở thành một ‘Nền tảng Agentic AI’. Trước đó, trong buổi họp báo kết quả kinh doanh quý 1 của Kakao diễn ra vào sáng cùng ngày, Giám đốc điều hành Kakao Chung Shin-a đã tuyên bố: “Chúng tôi sẽ ra mắt ‘Kanana 2.5’, mô hình được tối ưu hóa cho Agentic AI.”
Agentic AI là dạng AI vượt xa mức độ hỏi đáp đơn thuần, có khả năng hiểu ý định của người dùng và tự chủ thực hiện nhiều tác vụ khác nhau. Phân tích cho thấy Kanana-o sẽ đóng vai trò như 'giác quan' trong chiến lược này.
Vì nó có thể nhận diện đồng thời văn bản, giọng nói và hình ảnh, nên khả năng mở rộng sang các chức năng như bạn đồng hành AI, tìm kiếm hội thoại, gợi ý nội dung, tóm tắt/phiên dịch thời gian thực là rất lớn. Nếu có thể xử lý thông tin thị giác và thính giác trong thời gian thực, AI sẽ có thể nhận thức và phản hồi môi trường của người dùng một cách đa chiều hơn. Đặc biệt, năng lực đa phương thức đang trở nên quan trọng khi tỷ trọng tương tác dựa trên giọng nói và hình ảnh trong môi trường nhắn tin di động ngày càng tăng.
Trưởng bộ phận Noh đề cập: “Chúng tôi đang tiến hành đào tạo theo hướng sử dụng dữ liệu tích hợp bao gồm hình ảnh hoặc âm thanh, vượt qua các thông tin cảm giác khác nhau để xử lý và phản hồi một cách toàn diện.”
“AI cũng hiểu được Hodori”… Nhấn mạnh sự chuyên biệt về văn hóa và cảm xúc Hàn Quốc
Kakao cũng đang nhấn mạnh sự thấu hiểu đối với văn hóa và cảm xúc Hàn Quốc như một yếu tố khác biệt so với các mô hình toàn cầu. Gần đây, các doanh nghiệp AI toàn cầu đang phát triển theo hướng không né tránh các chủ đề nhạy cảm về quốc gia, văn hóa mà cung cấp thông tin phù hợp với ngữ cảnh của từng khu vực.
Tại hiện trường, ví dụ về việc tạo kịch bản podcast lấy chủ đề Dokdo cũng đã được trình diễn. Kanana-o đã xây dựng một cuộc đối thoại theo hình thức podcast bằng cách phản ánh ý nghĩa lịch sử, văn hóa và tính biểu tượng về chủ quyền lãnh thổ mà Dokdo mang lại trong xã hội Hàn Quốc.
Trưởng bộ phận Noh lấy ví dụ: “Trước đây, mô hình thị giác (trí tuệ thị giác) chỉ dừng lại ở mức nhận diện hình ảnh Hodori là ‘con hổ’, nhưng sau khi học thêm các nội dung kiểu Hàn Quốc, giờ đây AI đã có thể hiểu cả tên gọi ‘Hodori’ và ngữ cảnh văn hóa của nó.” Ông nói thêm: “Chúng tôi dự định phát triển nó thành một AI đa phương thức tích hợp theo đúng nghĩa, có khả năng hiểu và thể hiện một cách tự do nhiều dạng dữ liệu tồn tại trên thế giới.”
Trong buổi thuyết trình khách mời vào sáng hôm đó, Giáo sư Shin Jin-woo và Phó giáo sư Oh Seong-jun thuộc Trường Sau đại học AI Kim Jaechul của KAIST đã lần lượt thuyết trình về các chủ đề mô hình nền tảng robot và AI cá nhân hóa. Jung Song, Viện trưởng Trường Sau đại học AI Kim Jaechul của KAIST, cho biết: “Trong bối cảnh cạnh tranh công nghệ AI đang trở nên khốc liệt trên toàn cầu, chúng tôi tổ chức sự kiện này hàng năm để các doanh nghiệp và viện nghiên cứu trong nước chia sẻ xu hướng công nghệ và tìm kiếm cơ hội hợp tác”, đồng thời khẳng định: “Chúng tôi sẽ đóng góp vào sự phát triển của hệ sinh thái AI trong nước.”