Đằng sau những tiêu đề rực rỡ, ngành AI đang vật lộn với những câu hỏi nền tảng về đà đổi mới, tính bền vững của vốn và những con đường ngày càng tách biệt giữa các nhà phát triển mô hình với các đơn vị xây dựng ứng dụng.
Bước ngoặt thầm lặng của ngành
Trí tuệ nhân tạo đã tăng trưởng với tốc độ chưa từng có trong ba năm qua. Kể từ khi ChatGPT ra mắt, mức độ chấp nhận của người dùng đã phá vỡ mọi kỷ lục, các ông lớn từ OpenAI đến Google liên tiếp công bố mô hình mới, và các công ty trong Fortune 500 đã đặt AI vào vị trí cốt lõi trong quy trình kinh doanh của mình. Thế nhưng hôm nay, đằng sau những tiêu đề rực rỡ, ngành này đang đối mặt với một câu hỏi về bản chất hoàn toàn khác:
Liệu đổi mới thực sự vẫn đang tiến lên với động lực mạnh mẽ, hay chúng ta đang chứng kiến một cỗ máy khổng lồ chạm tới những giới hạn vô hình?
Để trả lời đúng câu hỏi này, chúng ta cần nhìn hệ sinh thái qua hai lăng kính riêng biệt:
Thị trường sơ cấp: Các công ty phát triển những mô hình nền tảng như GPT-4, Claude và Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Thị trường thứ cấp: Các công ty lấy những mô hình này và xây dựng giải pháp cho các vấn đề thực tế của người dùng: Perplexity, Cursor, Notion AI, Replit.
Dù cả hai thị trường cùng tồn tại trong một ngành, động lực vận hành, cấu trúc chi phí, hồ sơ rủi ro và kỳ vọng tăng trưởng của chúng lại khác nhau về căn bản. Sự căng thẳng mà chúng ta đang chứng kiến hôm nay bắt nguồn chính xác từ sự phân kỳ này.
Những giới hạn tự nhiên của phát triển mô hình đang dần lộ rõ
Bốn yếu tố nền tảng đã định hình sự phát triển của các mô hình ngôn ngữ lớn trong năm năm qua:
- Quy mô mô hình (số lượng tham số)
- Dữ liệu huấn luyện (chất lượng và độ đa dạng)
- Năng lực tính toán (công suất GPU/TPU)
- Kỹ thuật huấn luyện (kiến trúc transformer, cơ chế attention)
Từ 2018 đến 2023, cả bốn yếu tố này đều mở rộng theo cùng một hướng, tạo ra những bước nhảy vọt to lớn. Đó là cách chúng ta đi từ GPT-2 đến GPT-4, từ BERT đến PaLM. Tuy nhiên, đường cong này sẽ không tiếp diễn mãi mãi. Dữ liệu huấn luyện hiện là nút thắt cổ chai nghiêm trọng nhất của ngành.
Các kho dữ liệu do con người tạo ra, có chất lượng cao, đa dạng và nguyên bản là hữu hạn. Bạn huấn luyện trên Wikipedia, bạn huấn luyện trên arXiv, bạn huấn luyện trên GitHub: rồi tiếp theo là gì? Chi phí trong lĩnh vực này đang tăng theo cấp số nhân do các vấn đề bản quyền, thỏa thuận quyền sở hữu dữ liệu và các hạn chế truy cập. Bạn ký thỏa thuận với Reddit, đàm phán với Stack Overflow, đối mặt với các vụ kiện từ The New York Times. Việc tăng kích thước mô hình về mặt kỹ thuật vẫn khả thi, nhưng phía dữ liệu đang tạo ra một trần giới hạn tự nhiên.
Đó là lý do ngành này đã chuyển trọng tâm từ kích thước mô hình sang hiệu quả. Suy luận chuỗi suy nghĩ, học tăng cường từ phản hồi của con người (RLHF), các kỹ thuật lấy mẫu hiệu quả hơn, kiến trúc mixture-of-experts (MoE): tất cả đều là một phần của sự chuyển đổi này.
Những phát triển này rất quan trọng, nhưng tự thân chúng không bền vững. Bởi đến một thời điểm nào đó, mức cải thiện về hiệu quả cũng sẽ chạm ngưỡng bão hòa. Ngành này đang bắt đầu nhận ra rằng đổi mới mô hình nền tảng đã bước vào một giai đoạn chậm hơn và tốn kém hơn.
Áp lực dòng vốn và mức độ mong manh ngày càng tăng
Khi các giới hạn công nghệ trở nên rõ rệt hơn, tăng trưởng ở phía vốn đã mang mức độ rủi ro còn lớn hơn.
Các công ty mô hình nền tảng đang xây dựng những hạ tầng tính toán khổng lồ và đưa ra các đề nghị quyết liệt trong cuộc chiến giành nhân tài. Những khoản chi này diễn ra trước khi một nền tảng doanh thu vững chắc được thiết lập. Chi phí tính toán hằng năm của OpenAI lên tới hàng tỷ đô la. Anthropic nhận hàng tỷ đô la đầu tư từ Microsoft. Google phân bổ một ngân sách riêng cho DeepMind.
Hàng tỷ đô la được đổ vào các trung tâm dữ liệu, các hợp đồng GPU kéo dài nhiều năm, mức lương khổng lồ trả cho những cái tên như Ilya Sutskever: tất cả những điều này làm phình to đáng kể các khoản chi phí của doanh nghiệp.
Bức tranh này cho thấy thị trường sơ cấp được xây dựng trên một mô hình mở rộng quy mô cực kỳ mong manh về mặt kinh tế. Cấu trúc chi phí của đổi mới mô hình vượt xa tốc độ tăng trưởng doanh thu.
Sự trỗi dậy âm thầm của tầng ứng dụng
Trong khi thị trường sơ cấp đang chịu áp lực, thị trường thứ cấp lại đang tiến triển với quỹ đạo tăng trưởng tương đối lành mạnh. Các công ty này lấy các mô hình nền tảng và biến chúng thành những trường hợp sử dụng thực tế.
- Perplexity: Thiết kế lại trải nghiệm tìm kiếm
- Cursor & Replit: Chuyển đổi quy trình lập trình
- Notion AI: Biến các công cụ năng suất trở nên thông minh
- Dvina: Kết nối với hơn 120 ứng dụng để quản lý toàn bộ đời sống số từ một lớp thông minh duy nhất
Lợi thế của các công ty này là ở chỗ họ gần người dùng nhất. Giá trị thực sự xuất hiện trực tiếp trong trải nghiệm người dùng. Tìm kiếm, lập trình, sáng tạo nội dung, năng suất, xử lý thông tin: tất cả những lĩnh vực này đều mang lại các mô hình doanh thu có thể mở rộng và dễ hiểu.
Đó là lý do nhiều nhà sản xuất mô hình nền tảng đã bắt đầu dịch chuyển sang tầng ứng dụng. OpenAI biến ChatGPT thành một sản phẩm, Anthropic đưa Claude thành một dịch vụ cho người dùng, Google tích hợp Gemini. Chiến lược tích hợp theo chiều dọc đã lan rộng rất nhanh.
Nhưng chiến lược này cũng gây ra những tác dụng phụ: chi phí thu hút người dùng tăng vọt, định giá ở thị trường thứ cấp bị thổi phồng. Việc thị trường thứ cấp — lĩnh vực duy nhất có khả năng tạo ra doanh thu — trở nên đắt đỏ đến vậy càng khuếch đại rủi ro vốn trong ngành.
Các chu kỳ lịch sử và yếu tố khác biệt của hiện tại
Trí tuệ nhân tạo đã trải qua hai đợt suy thoái lớn trong quá khứ: cuối thập niên 1970 và đầu thập niên 1990. Điểm chung của những giai đoạn này là: kỳ vọng cao, tốc độ đổi mới thấp và khẩu vị đầu tư dần biến mất.
Tình hình hiện nay thì khác. Đổi mới kỹ thuật vẫn tiếp diễn nhưng tốc độ đột phá đang chậm lại. Trong khi đó, dòng vốn lại tăng với quy mô chưa từng có. Sam Altman nói về một quỹ tính toán trị giá 7 nghìn tỷ đô la, Elon Musk rót hàng tỷ đô la vào xAI.
Vì vậy, điều chúng ta đang trải qua không phải là một "mùa đông AI" theo nghĩa cổ điển. Đúng hơn, đây là một giai đoạn mong manh dựa trên phân bổ vốn: định giá đang bị đẩy lên, chi phí đang tăng tốc, nhưng tốc độ đổi mới lại không đáp ứng được kỳ vọng.
Kỷ nguyên mới: Không phải mô hình lớn hơn, mà là cách tiếp cận thông minh hơn sẽ chiến thắng
Khác biệt quan trọng nhất của hiện tại là thế này: điều quan trọng bây giờ không phải là tạo ra những mô hình khổng lồ hơn bằng cách bổ sung thêm tham số.
Sự chuyển đổi thực sự sẽ diễn ra ở những lĩnh vực sau:
- Tăng hiệu quả tham số
- Đạt chất lượng cao hơn với các mô hình nhỏ hơn
- Phát triển các kỹ thuật huấn luyện mới
- Sử dụng dữ liệu một cách chiến lược và hiệu quả hơn
- Cắt giảm mạnh chi phí huấn luyện
Một trong những ví dụ nổi bật nhất gần đây là DeepSeek. Startup Trung Quốc này đã phát triển một mô hình có hiệu năng ở mức GPT-4: nhưng với chi phí huấn luyện thấp hơn nhiều. Kiến trúc mixture-of-experts, tối ưu hóa tham số, các kỹ thuật huấn luyện tập trung vào hiệu quả. Thị trường đã phản ứng rất mạnh.
Sau thông báo của DeepSeek, vốn hóa thị trường của NVIDIA đã giảm 600 tỷ USD chỉ trong một ngày. Điều này cho thấy các nhà đầu tư hiện không chỉ theo dõi cuộc đua tạo ra các mô hình lớn hơn, mà còn theo dõi cuộc đua về hiệu quả và đổi mới kiến trúc.
Nhưng như vậy vẫn chưa đủ. Nếu lĩnh vực này muốn tạo ra một bước nhảy vọt thực sự, điều đó sẽ đến từ những mô hình kiến trúc mới. Một thứ gì đó vượt ra ngoài kiến trúc transformer. Có thể là điện toán neuromorphic, có thể là các mô hình lai, hoặc cũng có thể là một khuôn khổ học tập hoàn toàn khác.
Những chuyển đổi mang tính đột phá như vậy thường không đến từ các công ty lớn. Họ vận hành thận trọng do áp lực về quy mô, chi phí hạ tầng và quản trị rủi ro doanh nghiệp. Những đột phá thực sự thường xuất hiện từ các startup nhỏ, quyết liệt, chấp nhận rủi ro và đầy tham vọng.
Hệ sinh thái AI hiện nay nhiều khả năng đang chờ đợi đúng một sự gián đoạn như vậy.
Kết luận: Thứ chiến thắng không phải là nguồn lực, mà là cách tiếp cận
Ngành AI hiện nay đang dao động giữa hai lực căng: một bên là chiến lược mở rộng quy mô mô hình đang tiến gần tới giới hạn; bên kia là rủi ro vốn ngày càng tăng và một thị trường ứng dụng tăng giá rất nhanh.
Bức tranh này cho thấy vấn đề cốt lõi hiện nay là cách tiếp cận, chứ không phải năng lực. Những người chiến thắng trong tương lai sẽ không phải là những bên xây dựng các mô hình lớn hơn, mà là những bên xây dựng các phương pháp thông minh hơn. Hiệu quả, các thiết kế kiến trúc mới và các kỹ thuật huấn luyện được tối ưu hóa đang trở thành ranh giới phân định thực sự của ngành.
Yếu tố mang tính quyết định trong tương lai sẽ là chất lượng của cách tiếp cận, chứ không phải sức mạnh nguồn lực. Và khả năng cao là chính các startup có tầm nhìn, chứ không phải các công ty lớn, sẽ khởi xướng sự thay đổi trong cách tiếp cận này.
