Training a Large Language Model (LLM) is a highly resource-intensive process that depends on multiple factors, including the model size, architecture, hardware, and dataset. Here’s a breakdown of the estimated time and cost:

1. Training Time

The time required to train an LLM varies based on model size and computational power. Here are some rough estimates:

For example, GPT-3 (175 billion parameters) was trained using 10,000+ NVIDIA V100 GPUs over several months. GPT-4 likely required more powerful hardware (A100/H100 GPUs or TPUs) and longer training time.

2. Cost of Training

Estimated costs for training well-known LLMs:

3. Hardware Requirements

Example: GPT-4 training likely used 20,000–25,000 NVIDIA A100 GPUs, which can cost $10,000–$30,000 per GPU, making infrastructure setup extremely expensive.

4. Dataset and Energy Consumption

For instance, GPT-3’s training reportedly used 1,287 MWh, emitting 550 tons of CO₂—comparable to a transatlantic flight for hundreds of passengers.

5. Ongoing Costs

After initial training, fine-tuning, inference, and deployment also require substantial resources:

Conclusion

This is why only large AI companies (OpenAI, Google, Meta, Microsoft) and well-funded research institutions can afford to train state-of-the-art LLMs, while smaller teams often fine-tune existing open-source models instead of training from scratch.

Tiếng Việt:

Thời gian và chi phí cần thiết để huấn luyện một Mô hình Ngôn ngữ Lớn (LLM)

Huấn luyện một Mô hình Ngôn ngữ Lớn (LLM) là một quá trình tiêu tốn rất nhiều tài nguyên, phụ thuộc vào kích thước mô hình, kiến trúc, phần cứng và dữ liệu huấn luyện. Dưới đây là phân tích chi tiết về thời gian và chi phí:

1. Thời gian huấn luyện

Thời gian huấn luyện một LLM phụ thuộc vào quy mô mô hình và sức mạnh phần cứng. Dưới đây là ước tính sơ bộ:

Ví dụ, GPT-3 (175 tỷ tham số) được huấn luyện bằng hơn 10.000 GPU NVIDIA V100 trong vài tháng. GPT-4 có thể đã sử dụng GPU mạnh hơn (A100/H100) và thời gian huấn luyện lâu hơn.

2. Chi phí huấn luyện

Ước tính chi phí huấn luyện các mô hình nổi tiếng:

3. Yêu cầu phần cứng

Ví dụ, GPT-4 có thể đã sử dụng 20.000–25.000 GPU NVIDIA A100, mỗi GPU có giá từ 10.000–30.000 USD, làm cho chi phí hạ tầng rất đắt đỏ.

4. Dữ liệu và tiêu thụ năng lượng

Ví dụ, quá trình huấn luyện GPT-3 tiêu thụ 1.287 MWh, phát thải 550 tấn CO₂ – tương đương với một chuyến bay xuyên Đại Tây Dương cho hàng trăm hành khách.

5. Chi phí vận hành sau huấn luyện

Sau khi huấn luyện, chi phí suy luận (inference) và bảo trì cũng rất cao:

6. Kết luận

Vì lý do này, chỉ những công ty công nghệ lớn (OpenAI, Google, Meta, Microsoft) hoặc các tổ chức nghiên cứu có nguồn vốn lớn mới có thể huấn luyện LLM tiên tiến nhất. Các nhóm nhỏ thường sẽ tinh chỉnh (fine-tune) các mô hình mã nguồn mở thay vì huấn luyện từ đầu.

Grok 3

English:

Training a Large Language Model (LLM) involves significant time and cost, depending on factors like model size (number of parameters), dataset size, hardware used, and optimization techniques. Based on available data and industry trends, here’s a general breakdown:

Time to Train an LLM

Smaller Models (e.g., 7 billion parameters): Around 21 days. For example, MosaicGPT’s 7B model reportedly took 21 days to train on modern GPU clusters.
Mid-sized Models (e.g., 65 billion parameters): Approximately 21–50 days. LLaMA’s 65B model took about 21 days using 2,048 NVIDIA A100 GPUs, while larger models like PaLM (540B) are estimated at 50 days.
Large Models (e.g., 175 billion parameters, like GPT-3): 34–60 days. GPT-3’s training is estimated at 34 days on a large GPU cluster, though this varies with hardware efficiency.
Cutting-Edge Models (e.g., GPT-4, parameter count unknown): 6–12 months. GPT-4’s training reportedly spanned several months, reflecting its complexity and scale.
Extreme Cases Without High-End Hardware: Posts on X suggest that without powerful compute (e.g., using basic infrastructure), training could take up to 14.8 years for a large model, though this is impractical and not representative of real-world scenarios with modern GPUs.

The duration heavily depends on the number of GPUs, their performance (e.g., A100s vs. newer H100s), and parallelization efficiency. For instance, using 2,048 A100 GPUs, a 65B-parameter model processed 380 tokens per second per GPU, completing 1.4 trillion tokens in 21 days.

Cost to Train an LLM

Smaller Models (e.g., 7B parameters): Around $20,000–$200,000. MosaicGPT’s 7B model cost approximately $20,000, while outsourced services like MosaicML claim $200,000–$800,000 for custom training.
Mid-sized Models (e.g., 65B parameters): $400,000–$2.2 million. LLaMA’s 65B model cost between $400,000 and $2.2 million, depending on hardware rates (e.g., A100 GPU rental at $1–$2/hour).
Large Models (e.g., 175B parameters, like GPT-3): $1.8 million–$4.6 million. GPT-3’s training cost estimates vary, reflecting GPU hours and cloud pricing.
Very Large Models (e.g., PaLM, 540B parameters): $7 million–$15 million. PaLM’s training leveraged Google’s TPU infrastructure, driving higher costs.
State-of-the-Art Models (e.g., GPT-4): $50 million–$100 million+. OpenAI’s GPT-4 is speculated to exceed $100 million, with Sam Altman hinting at costs above $50–$100 million. Google’s Gemini Ultra reportedly cost $191 million.
Next-Generation Projections: Some experts predict costs could surpass $1 billion within a few years as models grow larger and hardware demands increase.

Key Factors Influencing Time and Cost

Hardware: High-end GPUs (e.g., NVIDIA A100 or H100) or TPUs are essential. A single A100 costs $1–$2/hour on cloud platforms like AWS or CUDO Compute, with thousands needed for large models.
Dataset Size: Training on trillions of tokens (e.g., LLaMA’s 1.4T tokens) requires more compute time and storage, adding to costs.
Model Size: More parameters (e.g., 175B vs. 7B) increase memory and compute needs exponentially.
Optimization: Techniques like mixed-precision training or fine-tuning pre-trained models can reduce costs, while training from scratch is far more expensive.
Infrastructure: Cloud rental, power, cooling, and maintenance for data centers add overhead. For example, hosting a 65B model on AWS (ml.p4d.24xlarge) could cost $27,000/month just for inference, excluding training.

Real-World Examples

LLaMA (65B): 1.8 million A100 hours (~5 months total R&D, 21 days final training), costing $400,000–$2.2 million.
GPT-3 (175B): ~34 days, $1.8–$4.6 million, using thousands of GPUs.
GPT-4: 6–12 months, $100 million+, potentially requiring 30,000+ GPUs for inference alone.

Trends and Considerations

Costs and times are rising as models scale, but innovations like smaller, overtrained models (e.g., Chinchilla’s approach) or synthetic data aim to mitigate this. Fine-tuning existing models is often cheaper (a few thousand dollars) than training from scratch. For enterprises, services like OpenAI’s custom training ($2–3 million) or MosaicML’s ($200,000–$800,000) offer alternatives to in-house efforts.

In summary, training an LLM can take weeks to months and cost tens of thousands to hundreds of millions, depending on scale and resources. For precise estimates, you’d need to specify the model size and hardware setup!

Tiếng Việt:

Đào tạo một Mô hình Ngôn ngữ Lớn (LLM) đòi hỏi thời gian và chi phí đáng kể, tùy thuộc vào các yếu tố như kích thước mô hình (số lượng tham số), kích thước tập dữ liệu, phần cứng sử dụng và các kỹ thuật tối ưu hóa. Dựa trên dữ liệu có sẵn và xu hướng ngành, dưới đây là phân tích tổng quan:

Thời gian để đào tạo một LLM

Mô hình nhỏ hơn (ví dụ, 7 tỷ tham số): Khoảng 21 ngày. Chẳng hạn, mô hình 7B của MosaicGPT được báo cáo mất 21 ngày để đào tạo trên các cụm GPU hiện đại.
Mô hình kích thước trung bình (ví dụ, 65 tỷ tham số): Khoảng 21–50 ngày. Mô hình 65B của LLaMA mất khoảng 21 ngày với 2.048 GPU NVIDIA A100, trong khi các mô hình lớn hơn như PaLM (540B) được ước tính khoảng 50 ngày.
Mô hình lớn (ví dụ, 175 tỷ tham số, như GPT-3): 34–60 ngày. Việc đào tạo GPT-3 được ước tính mất 34 ngày trên một cụm GPU lớn, mặc dù điều này thay đổi tùy theo hiệu suất phần cứng.
Mô hình tiên tiến (ví dụ, GPT-4, số tham số không xác định): 6–12 tháng. Việc đào tạo GPT-4 được báo cáo kéo dài vài tháng, phản ánh độ phức tạp và quy mô của nó.
Trường hợp cực đoan không có phần cứng cao cấp: Các bài đăng trên X cho rằng nếu không có hạ tầng tính toán mạnh (ví dụ, sử dụng cơ sở hạ tầng cơ bản), việc đào tạo có thể mất tới 14,8 năm cho một mô hình lớn, mặc dù điều này không thực tế và không đại diện cho các kịch bản thực tế với GPU hiện đại.

Thời gian phụ thuộc nhiều vào số lượng GPU, hiệu suất của chúng (ví dụ, A100 so với H100 mới hơn) và hiệu quả song song hóa. Ví dụ, sử dụng 2.048 GPU A100, một mô hình 65B tham số xử lý 380 token mỗi giây trên mỗi GPU, hoàn thành 1,4 nghìn tỷ token trong 21 ngày.

Chi phí để đào tạo một LLM

Mô hình nhỏ hơn (ví dụ, 7B tham số): Khoảng $20.000–$200.000. Mô hình 7B của MosaicGPT tốn khoảng $20.000, trong khi các dịch vụ thuê ngoài như MosaicML tuyên bố từ $200.000–$800.000 cho việc đào tạo tùy chỉnh.
Mô hình kích thước trung bình (ví dụ, 65B tham số): $400.000–$2,2 triệu. Mô hình 65B của LLaMA có chi phí từ $400.000 đến $2,2 triệu, tùy thuộc vào giá phần cứng (ví dụ, thuê GPU A100 với giá $1–$2/giờ).
Mô hình lớn (ví dụ, 175B tham số, như GPT-3): $1,8 triệu–$4,6 triệu. Chi phí đào tạo GPT-3 dao động, phản ánh số giờ GPU và giá thuê đám mây.
Mô hình rất lớn (ví dụ, PaLM, 540B tham số): $7 triệu–$15 triệu. Việc đào tạo PaLM tận dụng hạ tầng TPU của Google, làm tăng chi phí.
Mô hình hiện đại nhất (ví dụ, GPT-4): $50 triệu–$100 triệu+. GPT-4 của OpenAI được suy đoán vượt quá $100 triệu, với Sam Altman ám chỉ chi phí trên $50–$100 triệu. Gemini Ultra của Google được báo cáo tốn $191 triệu.
Dự đoán thế hệ tiếp theo: Một số chuyên gia dự đoán chi phí có thể vượt $1 tỷ trong vài năm tới khi các mô hình ngày càng lớn và nhu cầu phần cứng tăng lên.

Các yếu tố chính ảnh hưởng đến thời gian và chi phí

Phần cứng: GPU cao cấp (ví dụ, NVIDIA A100 hoặc H100) hoặc TPU là cần thiết. Một GPU A100 có giá thuê $1–$2/giờ trên các nền tảng đám mây như AWS hoặc CUDO Compute, với hàng nghìn GPU cần thiết cho các mô hình lớn.
Kích thước tập dữ liệu: Đào tạo trên hàng nghìn tỷ token (ví dụ, 1,4T token của LLaMA) đòi hỏi nhiều thời gian tính toán và lưu trữ hơn, làm tăng chi phí.
Kích thước mô hình: Số lượng tham số nhiều hơn (ví dụ, 175B so với 7B) làm tăng nhu cầu bộ nhớ và tính toán theo cấp số nhân.
Tối ưu hóa: Các kỹ thuật như đào tạo độ chính xác hỗn hợp hoặc tinh chỉnh mô hình đã được đào tạo trước có thể giảm chi phí, trong khi đào tạo từ đầu đắt hơn nhiều.
Hạ tầng: Thuê đám mây, điện năng, làm mát và bảo trì trung tâm dữ liệu thêm chi phí phụ. Ví dụ, lưu trữ một mô hình 65B trên AWS (ml.p4d.24xlarge) có thể tốn $27.000/tháng chỉ cho suy luận, chưa tính đào tạo.

Ví dụ thực tế

LLaMA (65B): 1,8 triệu giờ A100 (~5 tháng tổng R&D, 21 ngày đào tạo cuối cùng), chi phí $400.000–$2,2 triệu.
GPT-3 (175B): ~34 ngày, $1,8–$4,6 triệu, sử dụng hàng nghìn GPU.
GPT-4: 6–12 tháng, $100 triệu+, có thể cần hơn 30.000 GPU chỉ cho suy luận.

Xu hướng và cân nhắc

Chi phí và thời gian đang tăng khi mô hình mở rộng, nhưng các cải tiến như mô hình nhỏ hơn, được đào tạo quá mức (ví dụ, cách tiếp cận của Chinchilla) hoặc dữ liệu tổng hợp nhằm giảm thiểu điều này. Tinh chỉnh các mô hình hiện có thường rẻ hơn (vài nghìn đô la) so với đào tạo từ đầu. Đối với doanh nghiệp, các dịch vụ như đào tạo tùy chỉnh của OpenAI ($2–3 triệu) hoặc MosaicML ($200.000–$800.000) cung cấp giải pháp thay thế cho nỗ lực nội bộ.

Tóm lại, đào tạo một LLM có thể mất từ vài tuần đến vài tháng và tốn từ hàng chục nghìn đến hàng trăm triệu đô la, tùy thuộc vào quy mô và nguồn lực. Để có ước tính chính xác, bạn cần chỉ định kích thước mô hình và cấu hình phần cứng!

---

What are the big players in LLM?

English:

The big players in Large Language Models (LLMs) are primarily tech giants, AI research labs, and government-backed institutions that develop and deploy state-of-the-art models. They can be categorized by region and influence in the AI ecosystem.

1. United States

OpenAI – Creator of GPT-4, ChatGPT, Codex, DALL·E (backed by Microsoft)
Google DeepMind – Developer of Gemini (formerly Bard), GLaM, PaLM, LaMDA
Anthropic – Creator of Claude AI (backed by Google, Amazon)
Meta (Facebook AI) – Creator of LLaMA models (LLaMA 2, LLaMA 3)
Microsoft – Integrated OpenAI’s models into Copilot, and developing Phi models
NVIDIA – Building Megatron-Turing NLG models, a hardware-driven AI ecosystem
Cohere – Developer of Command R, Embed models for enterprises
Mistral AI – Emerging open-source LLM leader with Mistral 7B, Mixtral
AI21 Labs – Known for Jurassic models, a competitor to GPT
Hugging Face – Maintains open-source LLMs and transformers library

2. China

Baidu – Developed Ernie models (Ernie 4.0)
Alibaba Cloud – Created Qwen series (Qwen 2.5, Tongyi Qianwen)
Huawei – Built PanGu-Σ and other AI models
Tencent AI Lab – Released Hunyuan model
Moonshot AI – Developed Kimi models (Kimi k1.5)
ByteDance (TikTok parent) – Created Doubao-1.5-Pro
Beijing Academy of AI (BAAI) – Built WuDao 2.0 (1.75 trillion parameters)

3. Europe & Rest of the World

Mistral AI (France) – Leading open-source LLMs like Mistral 7B, Mixtral
LightOn (France) – Developed Lyra-fr, Orion-fr for French NLP
EleutherAI (UK/Global) – Created GPT-J, GPT-NeoX, Pythia
LAION (Germany) – Supports OpenAssistant and open-source AI models
Aleph Alpha (Germany) – Developed Luminous models
Abu Dhabi’s TII (UAE) – Released Falcon 180B, Falcon 40B
Sber AI (Russia) – Developed GigaChat
G42 (UAE) – Partnering with OpenAI & Microsoft for LLMs

Trends & Future Influence

USA leads in cutting-edge LLMs, largely dominated by OpenAI, Google, Meta, and Microsoft.
China is catching up fast, focusing on AI independence with companies like Alibaba and Baidu.
Europe is pushing for open-source LLMs, with Mistral AI & Hugging Face playing a key role.
Middle East (UAE, Saudi Arabia) is investing heavily in AI, aiming for regional AI dominance.

Tiếng Việt:

Những “ông lớn” trong lĩnh vực Mô hình Ngôn ngữ Lớn (LLM)

Các công ty và tổ chức hàng đầu trong lĩnh vực LLM chủ yếu là các tập đoàn công nghệ lớn, phòng thí nghiệm nghiên cứu AI và các tổ chức được chính phủ hậu thuẫn. Dưới đây là danh sách các “ông lớn” theo khu vực và mức độ ảnh hưởng của họ trong hệ sinh thái AI.

1. Hoa Kỳ (USA)

OpenAI – Nhà phát triển GPT-4, ChatGPT, Codex, DALL·E (được Microsoft hỗ trợ)
Google DeepMind – Phát triển Gemini (trước đây là Bard), GLaM, PaLM, LaMDA
Anthropic – Nhà sáng lập Claude AI (được Google và Amazon đầu tư)
Meta (Facebook AI) – Phát triển LLaMA models (LLaMA 2, LLaMA 3)
Microsoft – Tích hợp mô hình OpenAI vào Copilot, phát triển dòng Phi models
NVIDIA – Xây dựng Megatron-Turing NLG, hệ sinh thái AI dựa trên phần cứng
Cohere – Nhà phát triển Command R, Embed models cho doanh nghiệp
Mistral AI – Dẫn đầu phong trào mã nguồn mở với Mistral 7B, Mixtral
AI21 Labs – Nổi bật với Jurassic models, đối thủ cạnh tranh của GPT
Hugging Face – Duy trì các mô hình mã nguồn mở và thư viện Transformers

2. Trung Quốc

Baidu – Phát triển Ernie models (Ernie 4.0)
Alibaba Cloud – Tạo ra dòng Qwen (Qwen 2.5, Tongyi Qianwen)
Huawei – Xây dựng PanGu-Σ và các mô hình AI khác
Tencent AI Lab – Phát triển Hunyuan model
Moonshot AI – Sáng tạo Kimi models (Kimi k1.5)
ByteDance (công ty mẹ của TikTok) – Xây dựng Doubao-1.5-Pro
Viện Hàn lâm AI Bắc Kinh (BAAI) – Phát triển WuDao 2.0 (1.75 nghìn tỷ tham số)

3. Châu Âu & Phần còn lại của thế giới

Mistral AI (Pháp) – Dẫn đầu phong trào LLM mã nguồn mở, với Mistral 7B, Mixtral
LightOn (Pháp) – Phát triển Lyra-fr, Orion-fr dành cho tiếng Pháp
EleutherAI (Anh/Toàn cầu) – Sáng tạo các mô hình GPT-J, GPT-NeoX, Pythia
LAION (Đức) – Hỗ trợ OpenAssistant và AI mã nguồn mở
Aleph Alpha (Đức) – Phát triển Luminous models
TII (UAE – Các Tiểu Vương Quốc Ả Rập Thống Nhất) – Phát hành Falcon 180B, Falcon 40B
Sber AI (Nga) – Phát triển GigaChat
G42 (UAE) – Hợp tác với OpenAI & Microsoft để phát triển LLM

Xu hướng & Ảnh hưởng tương lai

Hoa Kỳ đang dẫn đầu trong lĩnh vực AI tiên tiến, với sự thống trị của OpenAI, Google, Meta và Microsoft.
Trung Quốc đang bắt kịp rất nhanh, tập trung vào tự chủ AI, với những “gã khổng lồ” như Alibaba, Baidu.
Châu Âu đang đẩy mạnh phong trào mã nguồn mở, với Mistral AI & Hugging Face đóng vai trò quan trọng.
Trung Đông (UAE, Ả Rập Xê Út) đang đầu tư mạnh mẽ vào AI, nhằm dẫn đầu AI trong khu vực.

---

DeepSeek.

English:

DeepSeek AI – Emerging LLM Player from China

DeepSeek AI is a rising star in the Chinese AI landscape, focusing on open-source Large Language Models (LLMs) and foundation models. It aims to compete with Western LLMs like OpenAI’s GPT-4 and Meta’s LLaMA, offering an alternative for developers and enterprises in China and beyond.

Key Highlights of DeepSeek AI

DeepSeek-Coder – A specialized code generation model, optimized for AI-assisted programming.
DeepSeek-LLM – Competing with LLaMA and Mistral AI, designed for both general and specialized AI applications.
Open-Source Approach – Unlike some Chinese AI firms (e.g., Baidu, Alibaba), DeepSeek favors open-source AI, making it attractive for research and enterprise adoption.
Scalability & Efficiency – Focused on optimizing model performance for real-world use, ensuring it can scale efficiently for commercial and research applications.
Strategic Positioning – While not as large as OpenAI or Google, DeepSeek is positioning itself as a major China-based open-source AI alternative.

Challenges & Future Outlook

Competition with Domestic Giants – Faces strong competition from Baidu (Ernie), Alibaba (Qwen), Tencent (Hunyuan), and others.
Compute & Funding Constraints – Competing with OpenAI or Google requires massive computational resources and sustained funding.
Global Adoption – While China supports its AI firms, DeepSeek needs global adoption to challenge leading Western LLMs.

Verdict

DeepSeek AI is one of the most promising Chinese open-source AI startups, bringing strong competition to Meta’s LLaMA and Mistral AI. If it continues to scale efficiently, it could become a key player in the global LLM ecosystem, especially in Asia and open-source AI communities.

Tiếng Việt:

DeepSeek AI – Một Tay Chơi Đang Nổi Trong Lĩnh Vực LLM Của Trung Quốc

DeepSeek AI là một cái tên đang lên trong hệ sinh thái AI Trung Quốc, tập trung vào các Mô hình Ngôn ngữ Lớn (LLM) mã nguồn mở và mô hình nền tảng. DeepSeek hướng đến việc cạnh tranh với các LLM phương Tây như GPT-4 của OpenAI hay LLaMA của Meta, mang đến một lựa chọn thay thế cho các nhà phát triển và doanh nghiệp ở Trung Quốc cũng như toàn cầu.

Những Điểm Nổi Bật Của DeepSeek AI

DeepSeek-Coder – Một mô hình chuyên biệt cho tạo mã lập trình, tối ưu hóa để hỗ trợ lập trình bằng AI.
DeepSeek-LLM – Được phát triển để cạnh tranh với LLaMA và Mistral AI, hướng đến cả ứng dụng AI tổng quát lẫn chuyên sâu.
Chiến lược mã nguồn mở – Không giống các công ty AI Trung Quốc khác như Baidu (Ernie) hay Alibaba (Qwen), DeepSeek đi theo hướng mã nguồn mở, giúp thu hút cộng đồng nghiên cứu và doanh nghiệp.
Tính mở rộng & hiệu suất cao – Tập trung vào tối ưu hóa hiệu suất mô hình để có thể ứng dụng thực tế tốt hơn và mở rộng dễ dàng.
Vị thế chiến lược – Dù chưa lớn như OpenAI hay Google, DeepSeek đang tự định vị là đối thủ AI mã nguồn mở hàng đầu của Trung Quốc.

Thách Thức & Triển Vọng Tương Lai

Cạnh tranh với các “ông lớn” trong nước – DeepSeek phải đối đầu với những gã khổng lồ như Baidu (Ernie), Alibaba (Qwen), Tencent (Hunyuan).
Hạn chế về tài nguyên tính toán & vốn đầu tư – Việc cạnh tranh với OpenAI hay Google đòi hỏi năng lực tính toán khổng lồ cùng nguồn vốn dồi dào.
Mở rộng ra thị trường toàn cầu – Dù được Trung Quốc hỗ trợ, DeepSeek cần thu hút người dùng toàn cầu để thực sự cạnh tranh với các LLM hàng đầu.

Nhận Định Cuối Cùng

DeepSeek AI là một trong những startup AI mã nguồn mở triển vọng nhất của Trung Quốc, đang tạo ra sự cạnh tranh mạnh mẽ với LLaMA của Meta và Mistral AI. Nếu tiếp tục phát triển hiệu quả và bền vững, DeepSeek có thể trở thành một nhân tố quan trọng trong hệ sinh thái LLM toàn cầu, đặc biệt tại châu Á và trong cộng đồng AI mã nguồn mở.