Vượt qua rào cản dữ liệu: Liệu giao thức ngữ cảnh mô hình của Anthropic có thể cải thiện hiệu suất AI?

Giao thức ngữ cảnh mô hình (MCP) đổi mới của Anthropic nhằm giải quyết vấn đề dữ liệu phân mảnh và tăng hiệu suất của các giải pháp được hỗ trợ bởi AI. Liệu nó có thể trở thành tiêu chuẩn cho tích hợp AI nhận thức ngữ cảnh không?

Một trong những thách thức cấp bách nhất trong đổi mới trí tuệ nhân tạo (AI) ngày nay là sự cách ly của các mô hình ngôn ngữ lớn (LLM) khỏi dữ liệu thời gian thực. Để giải quyết vấn đề này, công ty nghiên cứu và an toàn AI của San Francisco, Anthropic, vừa công bố một kiến trúc phát triển độc đáo để thay đổi cách các mô hình AI tương tác với dữ liệu.

Công ty đã ra mắt Giao thức ngữ cảnh mô hình (MCP), được phát hành dưới dạng dự án mã nguồn mở, nhằm tăng hiệu suất của AI thông qua “truyền thông hai chiều giữa các ứng dụng hỗ trợ AI và các nguồn dữ liệu đa dạng thời gian thực”.

Kiến trúc này được xây dựng để giải quyết một sự thất vọng ngày càng tăng: đầu ra AI lỗi thời do thiếu kết nối với dữ liệu thời gian thực. Anthropic cho biết rằng giao thức thống nhất này có thể cải thiện sự phát triển và chức năng của AI cho các doanh nghiệp và làm cho chúng trở nên giống con người hơn thông qua nhận thức ngữ cảnh thời gian thực. Theo công ty, mỗi nguồn dữ liệu kinh doanh mới yêu cầu các triển khai AI tùy chỉnh, tạo ra sự không hiệu quả. MCP nhằm giải quyết vấn đề này bằng cách cung cấp một khuôn khổ tiêu chuẩn mà các nhà phát triển có thể áp dụng phổ biến.

“Kiến trúc rất đơn giản: các nhà phát triển có thể暴露 dữ liệu của họ thông qua máy chủ MCP hoặc xây dựng các ứng dụng AI (khách hàng MCP) kết nối với các máy chủ này. Thay vì duy trì các kết nối riêng biệt cho từng nguồn dữ liệu, các nhà phát triển có thể xây dựng dựa trên một giao thức tiêu chuẩn,” Anthropic giải thích trong một bài đăng trên blog. “Khi hệ sinh thái trưởng thành, các hệ thống AI sẽ duy trì ngữ cảnh khi chúng di chuyển giữa các công cụ và tập dữ liệu khác nhau, thay thế các tích hợp phân mảnh hiện tại bằng một kiến trúc bền vững hơn.”

Các mô hình AI, bao gồm nhưng không giới hạn ở trợ lý hàng đầu của Anthropic, Claude, có thể tích hợp với các công cụ như Google Drive, Slack và GitHub. Các chuyên gia cho rằng MCP có tiềm năng biến đổi các tích hợp AI kinh doanh theo cách tương tự như Kiến trúc Hướng dịch vụ (SOA) và các giao thức khác đã cách mạng hóa tính tương tác của ứng dụng.

“Có một giao thức ngành tiêu chuẩn cho đường ống dữ liệu giữa LLM và nguồn dữ liệu là một yếu tố thay đổi trò chơi. Tương tự như REST và SQL trong ngành phần mềm, các giao thức tiêu chuẩn hóa như MCP có thể giúp các nhóm xây dựng ứng dụng GenAI nhanh hơn và đáng tin cậy hơn,” Gideon Mendels, đồng sáng lập và CEO của nền tảng đánh giá mô hình AI Comet, cho biết. “Điều này tuân theo sự nhận thức của thị trường trong sáu tháng qua rằng một mô hình LLM tuyệt vời là không đủ.”

Anthropic cũng tiết lộ rằng các nhà nhận nuôi doanh nghiệp sớm, bao gồm Block và Apollo, đã tích hợp MCP vào hệ thống của họ. Trong khi đó, các nhà cung cấp công cụ phát triển như Zed, Replit, Codeium và Sourcegraph đang hợp tác với MCP để nâng cao các nền tảng của họ. Sự hợp tác này nhằm giúp các mô hình và tác nhân AI thu thập thông tin liên quan hơn thông qua dữ liệu thời gian thực, nắm bắt ngữ cảnh hiệu quả hơn và tạo ra đầu ra tinh vi cho các nhiệm vụ doanh nghiệp như mã hóa, với hiệu quả cao hơn.

“Các mô hình AI giống con người và tự nhận thức hơn có thể làm cho công nghệ trở nên gần gũi, điều này có thể thúc đẩy việc áp dụng rộng rãi hơn,” Masha Levin, Doanh nhân tại One Way Ventures, cho biết. “Vẫn còn nhiều nỗi sợ hãi xung quanh AI, với nhiều người coi nó chỉ là một máy. Việc nhân hóa các mô hình này có thể giúp giảm bớt những nỗi sợ hãi đó và thúc đẩy sự tích hợp mượt mà hơn vào cuộc sống hàng ngày.”

Levin cũng cảnh báo về một điểm yếu tiềm ẩn. “Có rủi ro rằng các doanh nghiệp có thể trở nên quá phụ thuộc vào AI để hỗ trợ, cho phép nó ảnh hưởng đến quyết định của họ theo cách cực đoan, điều này có thể dẫn đến hậu quả có hại.”

Tuy nhiên, thử thách thực sự đối với MCP sẽ là khả năng đạt được sự áp dụng rộng rãi và vượt qua các đối thủ cạnh tranh trong một thị trường đông đúc.

Anthropic MCP so với OpenAI và Perplexity: Trận chiến cho các tiêu chuẩn đổi mới AI

Mặc dù MCP của Anthropic có cách tiếp cận mã nguồn mở, nó vẫn bước vào một cảnh quan cạnh tranh được thống trị bởi các gã khổng lồ công nghệ như OpenAI và Perplexity.

Tính năng “Làm việc với ứng dụng” gần đây của OpenAI cho ChatGPT thể hiện các khả năng tương tự, mặc dù với trọng tâm sở hữu ưu tiên cho các quan hệ đối tác gần gũi hơn là các tiêu chuẩn mở. Tính năng này cho phép ChatGPT truy cập và phân tích dữ liệu và nội dung từ các ứng dụng khác – nhưng chỉ với sự cho phép của người dùng, loại bỏ nhu cầu của các nhà phát triển phải sao chép và dán thủ công. Thay vào đó, ChatGPT có thể xem xét dữ liệu trực tiếp từ ứng dụng, cung cấp các đề xuất thông minh và nhận thức ngữ cảnh hơn do sự tích hợp với dữ liệu internet thời gian thực.

Hơn nữa, công ty cũng giới thiệu kiến trúc dữ liệu thời gian thực vào tháng 10, được gọi là “Realtime API”, cho phép các trợ lý giọng nói phản hồi hiệu quả hơn bằng cách kéo ngữ cảnh mới từ internet. Ví dụ, một trợ lý giọng nói có thể đặt hàng thay mặt người dùng hoặc thu thập thông tin khách hàng liên quan để cung cấp phản hồi được cá nhân hóa. “Giờ đây với Realtime API và sắp tới là âm thanh trong Chat Completions API, các nhà phát triển không còn phải khâu các mô hình lại với nhau để cung cấp các trải nghiệm này,” OpenAI cho biết trong một bài đăng trên blog. “Dưới mui xe, Realtime API cho phép tạo một kết nối WebSocket liên tục để trao đổi thông điệp với GPT-4o.”

Tương tự, giao thức dữ liệu thời gian thực của Perplexity cho AI, được gọi là pplx-api, cung cấp cho các nhà phát triển quyền truy cập vào mô hình ngôn ngữ lớn (LLM) của họ. API này cho phép các ứng dụng gửi truy vấn ngôn ngữ tự nhiên và nhận thông tin chi tiết, thời gian thực từ web. Thông qua một điểm cuối API duy nhất, nó cho phép thu thập dữ liệu mới nhất và phản hồi nhận thức ngữ cảnh cho các ứng dụng AI, cho phép các nhà phát triển xây dựng các ứng dụng vẫn phù hợp với thông tin mới nhất.

“Thông thường, ngành công nghiệp có xu hướng tiêu chuẩn hóa một giải pháp mã nguồn mở, nhưng điều đó thường mất nhiều năm. Rất có thể OpenAI sẽ cố gắng giới thiệu nhiều giao thức hơn,” Mendels cho biết. “Nhưng nếu MCP đạt được sự áp dụng rộng rãi như là tiêu chuẩn đầu tiên của loại này, chúng ta có thể thấy các kỹ thuật và phương pháp hay nhất bắt đầu tiêu chuẩn hóa xung quanh nó.”

Liệu MCP của Anthropic có thể thiết lập tiêu chuẩn cho tích hợp AI nhận thức ngữ cảnh?

Mặc dù có tiềm năng, MCP của Anthropic vẫn phải đối mặt với những thách thức đáng kể. An ninh là một mối quan tâm chính, vì việc cho phép các hệ thống AI truy cập vào dữ liệu doanh nghiệp nhạy cảm làm tăng rủi ro rò rỉ nếu hệ thống trở nên mất kiểm soát. Hơn nữa, việc thuyết phục các nhà phát triển đã gắn bó với các hệ sinh thái đã thành lập để áp dụng MCP có thể chứng minh là khó khăn.

Một vấn đề khác là kích thước của dữ liệu, theo JD Raimondi, trưởng nhóm khoa học dữ liệu tại công ty phát triển IT Making Sense. Ông cho biết, “Anthropic là người dẫn đầu trong các thí nghiệm dẫn đến các ngữ cảnh lớn, nhưng độ chính xác của các mô hình bị suy giảm nghiêm trọng. Có thể họ sẽ cải thiện theo thời gian, và về hiệu suất, có nhiều thủ thuật để duy trì tốc độ chấp nhận được.”

Mặc dù Anthropic khẳng định rằng MCP cải thiện khả năng thu thập và nhận thức ngữ cảnh dữ liệu của AI, nhưng sự thiếu các tiêu chuẩn cụ thể để hỗ trợ những tuyên bố này có thể cản trở việc áp dụng. “Dù bạn là một nhà phát triển công cụ AI, một doanh nghiệp muốn tận dụng dữ liệu hiện có, hay một người dùng sớm đang khám phá tiền phong, chúng tôi mời bạn xây dựng tương lai của AI nhận thức ngữ cảnh cùng nhau,” Anthropic cho biết.

Khi các nhà phát triển kiểm tra khả năng của MCP, ngành công nghiệp sẽ theo dõi để xem liệu giao thức tiêu chuẩn mở này có thể đạt được lực kéo cần thiết để trở thành một tiêu chuẩn cho tích hợp AI nhận thức ngữ cảnh. Mendels gợi ý rằng việc tiêu chuẩn hóa có thể là một động thái thông minh cho Anthropic, có thể tăng cường khả năng tương tác và cho phép các nhóm thử nghiệm với các kết hợp công cụ khác nhau để xác định sự phù hợp tốt nhất cho nhu cầu của họ. “Hiện tại, cảm giác quá sớm để nói rằng nhiều quy trình trong hệ sinh thái AI đang được tiêu chuẩn hóa,” Mendels lưu ý. “Với sự đổi mới diễn ra nhanh chóng, các phương pháp hay nhất ngày hôm nay có thể bị lỗi thời vào tuần tới. Chỉ thời gian mới cho biết liệu một giao thức như MCP có thể thành công trong việc tiêu chuẩn hóa việc thu thập dữ liệu ngữ cảnh.”