Tình hình AI mã nguồn mở vào tháng 7/2026
(stateofopensource.ai)- Các mô hình open-weight đã đạt đến mức tương đương với mô hình đóng ở khả năng lập trình, làm theo chỉ dẫn và tri thức phổ thông, trong khi chi phí suy luận cũng giảm 50 lần trong 36 tháng, khiến trọng tâm cạnh tranh chuyển từ bản thân mô hình sang agent harness
- Vào giữa năm 2026, open-weight chiếm quá nửa lưu lượng token trên OpenRouter và cả 5 mô hình hàng đầu đều là mô hình mở, nhưng trong suy luận, truy xuất ngữ cảnh dài và tác vụ agent, vẫn còn khoảng cách năng lực trung bình 3,3% so với mô hình đóng
- 79% lập trình viên bổ sung tính năng AI sử dụng mô hình mở, nhưng tỷ lệ đi vào production chỉ là 51%, thấp hơn mức 63% của mô hình đóng, cho thấy chuẩn hóa, công cụ triển khai và độ tin cậy vận hành vẫn là những nút thắt chính
- Hệ sinh thái gồm Databricks, Mistral AI, DeepSeek và các bên khác đã đạt được doanh thu và đầu tư quy mô lớn; self-hosting giúp chuyển chi phí tính theo token sang chi phí cố định, nhưng khi giá mô hình giảm xuống, lợi nhuận chuyển lên các tầng cao hơn như nền tảng và harness
- Cuộc cạnh tranh tiếp theo sẽ phụ thuộc vào việc ai sở hữu harness, bộ nhớ, quyền ghi và quản trị; để duy trì tính mở, cần xây dựng harness trung lập và tiêu chuẩn quyền hạn có thể di chuyển được, đồng thời tránh phụ thuộc vào một mô hình, nhà cung cấp hoặc quốc gia cụ thể
AI được sở hữu thay vì đi thuê
- AI mở cho phép người dùng trực tiếp sở hữu mô hình và dữ liệu trong những lĩnh vực khó “đi thuê” qua API đóng, như các ngôn ngữ có thị trường nhỏ, dịch vụ ngoại tuyến tại chỗ, phần cứng tự sở hữu và hạ tầng công
- Một đài phát thanh Māori ở phía bắc New Zealand đã huấn luyện mô hình giọng nói te reo với giấy phép bảo đảm dữ liệu ở lại trong cộng đồng
- PwC đã tinh chỉnh mô hình mở bằng ngôn ngữ tài chính và vận hành trên phần cứng riêng cho hàng trăm khách hàng mà không phải trả phí theo token
- Các nhà nghiên cứu tại Lausanne đã xây dựng một mô hình y tế mở phù hợp với Red Cross và các hướng dẫn nhân đạo, đồng thời chuẩn bị thử nghiệm lâm sàng tại nước họ và tại Tanzania
- Nông dân Đông Phi chạy mô hình chẩn đoán bệnh sắn ngoại tuyến trên điện thoại tại những cánh đồng không có kết nối đám mây
- Một liên minh công của Thụy Sĩ huấn luyện mô hình quốc gia bằng siêu máy tính công và công khai toàn bộ weight, dữ liệu và mã huấn luyện
- Cũng như Mozilla từng xuất hiện để ngăn một công ty độc chiếm cổng vào web, AI cũng cần cạnh tranh, khả năng tương tác và quyền tự do rời bỏ nhà cung cấp
- Mục tiêu không nằm ở việc chọn một mô hình duy nhất, mà là tạo ra một cấu trúc có thể kết nối nhiều mô hình theo cách tiêu chuẩn để có thể đổi nhà cung cấp bất cứ lúc nào
Năng lực và mức sử dụng của open-weight
- Trên Chatbot Arena, khoảng cách giữa mô hình mở và mô hình đóng đã thu hẹp từ 8,04% xuống 0,5% kể từ tháng 1/2024, rồi lại nới ra thành 3,3% vào tháng 3/2026
- Đến tháng 8/2024, khoảng cách đã thu hẹp còn 0,5%, và vào tháng 2/2025, DeepSeek-R1 từng tạm thời ngang bằng với mô hình hàng đầu của Mỹ
- Khi các mô hình suy luận đóng vươn lên dẫn trước, khoảng cách trung bình lại tăng, nhưng mô hình mở vẫn ngang hàng hoặc tiệm cận ở lập trình, làm theo chỉ dẫn và tri thức phổ thông
- Phần chênh lệch còn lại tập trung ở suy luận, truy xuất ngữ cảnh dài và tác vụ agent
- Giá suy luận cho mô hình cấp GPT-4 trên mỗi 1 triệu token đã giảm 50 lần từ 20 USD xuống 0,40 USD trong 36 tháng
- Stanford HAI thống kê rằng mức giá cấp GPT-3.5 đã giảm 280 lần trong 18 tháng
- Epoch AI ước tính mức giảm hàng năm là 9 đến 900 lần, còn nghiên cứu MIT tháng 11/2025 cho rằng giá frontier sau khi điều chỉnh tác động phần cứng giảm 5 đến 10 lần mỗi năm
- Trên OpenRouter, tỷ trọng token của open-weight đã tăng từ mức rất nhỏ lên khoảng một phần ba vào cuối năm 2025, rồi vượt quá một nửa vào giữa năm 2026
- Đây là ưu thế theo lưu lượng token, còn theo số lượng request thì các nhà cung cấp đóng của Mỹ vẫn dẫn trước
- Mức sử dụng mô hình mở tập trung vào workload lập trình và agent
- Trong một tháng gần đây, cả 5 mô hình đứng đầu về lưu lượng trên OpenRouter đều là open-weight
- Lần lượt là DeepSeek V4 Flash 18.4T, Xiaomi MiMo-V2.5 14.9T, Tencent Hy3 preview 14.8T, MiniMax M3 14.3T và Owl Alpha 11T không công bố nguồn gốc
- Theo sau là Anthropic Claude Opus 4.7 9.02T, DeepSeek V4 Pro 8.55T, Claude Sonnet 4.6 7.33T, Claude Opus 4.8 6.18T và DeepSeek V3.2 4.31T
- Vào giữa năm 2026, lưu lượng token hàng tuần của 9 mô hình hàng đầu là khoảng 18T từ Trung Quốc và khoảng 5,5T từ Mỹ, tức hơn tỷ lệ 3 trên 1; các lập trình viên định tuyến theo chi phí có xu hướng chọn open-weight
Tỷ lệ áp dụng cao và tỷ lệ chuyển sang production thấp
- Trong khảo sát lập trình viên Mozilla·SlashData 2026, 79% lập trình viên bổ sung tính năng AI sử dụng mô hình mở, còn 71% sử dụng mô hình đóng
- 29% chỉ dùng mô hình mở, 21% chỉ dùng mô hình đóng
- 50% tức một nửa dùng cả hai loại, nên với phần lớn đội ngũ, chúng không phải là các lựa chọn thay thế hoàn toàn cho nhau
- Tỷ lệ áp dụng mô hình mở cao nhất ở Greater China và East Asia, cùng ở mức 89%, tiếp theo là Western Europe 70% và South America 66%
- Chỉ có Western Europe và South America là những khu vực mà tỷ lệ áp dụng mô hình đóng cao hơn mô hình mở
- Tỷ lệ đi vào production vẫn có chênh lệch: 51% với các đội dùng mô hình mở và 63% với các đội dùng mô hình đóng
- Ở doanh nghiệp nhỏ, mô hình đóng là 54% và mô hình mở là 53%
- Ở doanh nghiệp cỡ vừa, lần lượt là 66% và 55%; ở doanh nghiệp có từ 1.001 nhân viên trở lên, là 73% và 57%
- Khi quy mô tổ chức tăng lên, tỷ lệ triển khai mô hình đóng tăng từ 54% lên 73%, trong khi mô hình mở gần như không thay đổi, từ 53% lên 57%, cho thấy chỉ riêng nguồn lực doanh nghiệp không giải quyết được nút thắt triển khai mô hình mở
- Khác biệt lớn nhất giữa các lập trình viên đã ngừng dùng mô hình mở và những người tiếp tục dùng là thiếu hiệu năng mô hình +12 điểm %, tích hợp với hệ thống hiện có +11 điểm %, và bảo trì·cập nhật +10 điểm %
- Thiếu tài liệu, triển khai·hosting·mở rộng, và đánh giá·so sánh mô hình đều ở mức +8 điểm %
- Tinh chỉnh·tùy biến chỉ là +4 điểm %, còn chi phí hạ tầng và bảo mật·quyền riêng tư·tuân thủ quy định thì không có khác biệt, trong khi thiếu hỗ trợ chuyên môn là -2 điểm %
- Những yếu tố quyết định việc dừng sử dụng tập trung vào tích hợp, vận hành và bảo trì hơn là năng lực thuần túy của mô hình
- Phân tích theo khu vực với 1.410 lập trình viên hiện đang hoặc từng phát triển bằng mô hình mở cho thấy các trở ngại lớn nhất lần lượt là chi phí hạ tầng·tính toán 27%, bảo mật·quyền riêng tư·tuân thủ quy định 26%, bảo trì 24%, triển khai·hosting·mở rộng 23%, và thiếu hỗ trợ chuyên môn 22%
- South Asia đặc biệt cao ở bảo mật·tuân thủ quy định 39% và hỗ trợ chuyên môn 31%
- Chỉ có North America 21% và Greater China 16% là nơi tỷ lệ trả lời rằng không có vấn đề nghiêm trọng vượt quá 15%
- Mẫu 39 người ở Oceania và mẫu 98 người ở Eastern Europe·CIS nhỏ hơn ngưỡng đáng tin cậy
Khoảng cách vận hành trong open AI stack
- Bản đồ stack tháng 6/2026 của Mozilla đánh giá 9 tầng, 48 thành phần, 1.361 dự án theo thang điểm 1 đến 5 dựa trên 10 tiêu chí trưởng thành
- Năng lực bản thân thì cao, nhưng ở gần như mọi tầng và thành phần, mức độ chuẩn hóa và mức sẵn sàng cho vận hành doanh nghiệp lại thấp nhất
- Nút thắt chung của open stack không nằm ở chất lượng mô hình mà ở chuẩn hóa và mức sẵn sàng cho vận hành doanh nghiệp; các công cụ triển khai, tích hợp, hỗ trợ và quản trị vẫn chưa hoàn thiện
Tính thương mại và cấu trúc chi phí của AI mã nguồn mở
- AI open-weight đã phát triển thành một thị trường thương mại trị giá hàng trăm tỷ USD, với năm mô hình doanh thu đã được kiểm chứng là suy luận được lưu trữ·nền tảng doanh nghiệp·giấy phép on-premise·dịch vụ fine-tuning·công cụ harness
- Các doanh nghiệp lớn đang mở rộng qua các giai đoạn đầu tư, doanh thu và niêm yết
- Databricks đã vượt doanh thu quy đổi theo năm 5,4 tỷ USD và hiện vẫn ở giai đoạn trước IPO
- DeepSeek ghi nhận doanh thu định kỳ hằng năm (ARR) khoảng 220 triệu USD, vốn đầu tư công khai 7,4 tỷ USD và mức định giá hơn 50 tỷ USD
- Mistral AI tăng trưởng gấp 20 lần trong 12 tháng để đạt ARR khoảng 400 triệu USD; vốn đầu tư công khai là 3,05 tỷ USD, định giá khoảng 14 tỷ USD và cũng đang đàm phán đầu tư ở mức khoảng 20 tỷ euro
- Moonshot AI huy động 3,9 tỷ USD, Reflection AI và Cerebras mỗi công ty khoảng 2,1 tỷ USD, Cohere 1,7 tỷ USD, Together AI 1,334 tỷ USD
- Baseten huy động 585 triệu USD, Black Forest Labs 450 triệu USD, Hugging Face 400 triệu USD, Modular 380 triệu USD, Fireworks AI 327 triệu USD, Anyscale 281 triệu USD, LangChain 260 triệu USD, Stability AI 230 triệu USD vốn đầu tư công khai
- Zhipu AI và MiniMax không công bố tổng vốn đầu tư công khai và đã niêm yết qua Hong Kong IPO trong năm 2026
- Nvidia, Salesforce, AMD, Google, IBM, ASML, Tencent, CATL và Schwarz Group cũng hỗ trợ các công ty ở các lớp mô hình, suy luận và công cụ
- Cohere vận hành mảng doanh nghiệp và on-premise, đồng thời vào tháng 5/2026 đã công bố mã nguồn mở Command A+; LangChain đạt hơn 126.000 sao trên GitHub và 60% thị phần nhà phát triển
- Ở quy mô sử dụng lớn, mô hình tính phí theo token của các mô hình đóng dẫn đến vấn đề ngân sách
- Microsoft đã hủy phần lớn giấy phép Claude Code trước ngày 30/6/2026 sau khi phí token làm cạn ngân sách AI hằng năm chỉ trong vài tháng, đồng thời xem xét DeepSeek V4 được lưu trữ trên Azure bảo mật cho các workload Copilot nặng
- Uber đã tiêu hết toàn bộ ngân sách AI coding năm 2026 chỉ trong 4 tháng, sau đó giới hạn chi tiêu theo công cụ và theo nhân viên ở mức 1.500 USD mỗi tháng
- Stripe phục vụ các mô hình mở trên vLLM, xử lý 50 triệu lệnh gọi API mỗi ngày với chỉ một phần ba số GPU trước đây và giảm 73% chi phí suy luận
- Tự lưu trữ open-weight biến chi phí vận hành biến động do nhà cung cấp kiểm soát thành chi phí cố định do doanh nghiệp sở hữu
- Từ tháng 5 đến tháng 9/2025 trên OpenRouter, các mô hình mở chiếm khoảng 20% mức sử dụng nhưng chỉ mang về khoảng 4% doanh thu của lớp mô hình
- Với năng lực tương đương, giá cho mỗi lệnh gọi của mô hình đóng cao hơn khoảng 6 lần
- Nghiên cứu Nagle–Yue của Linux Foundation ước tính chênh lệch giá này tương đương khoảng 24,8 tỷ USD tiết kiệm tiềm năng mỗi năm chưa được hiện thực hóa
- Ngay cả khi mức sử dụng mô hình mở tăng lên, nếu lớp mô hình bị hàng hóa hóa thì lợi nhuận sẽ tích lũy ở các lớp phía trên như nền tảng và harness
Chủ quyền quốc gia và khả năng rời bỏ nhà cung cấp
- Khi hơn 70 chiến lược AI quốc gia được triển khai, trọng tâm chính sách đã chuyển từ việc có hay không có chiến lược quốc gia sang có thể sở hữu lớp nào trong stack
- Trường hợp Anthropic chặn quyền truy cập của toàn bộ người dùng mang quốc tịch nước ngoài trên toàn cầu theo lệnh xuất khẩu của một chính phủ, chỉ ba ngày sau khi phát hành Claude Fable 5 vào tháng 6/2026, cho thấy phạm vi kiểm soát của nhà cung cấp
- Vì không thể tuân thủ có chọn lọc, vào 5 giờ 21 phút chiều thứ Sáu, mô hình của tất cả đối tượng bị nhắm đến đã bị ngắt và những người dùng phụ thuộc vào mô hình đó bị ảnh hưởng mà không có cảnh báo trước
- Nhà cung cấp có thể tắt mô hình được lưu trữ, nhưng không thể từ xa tắt bản sao weight đang chạy trên thiết bị do người dùng sở hữu
- Với doanh nghiệp, weight lưu trên đĩa là một biện pháp né tránh rủi ro; với quốc gia, điều đó tạo ra khác biệt giữa chính sách độc lập và việc phải xin phép từ bên ngoài
- Sự phụ thuộc vào nhà cung cấp trong thời đại cloud đã cho thấy chi phí rời bỏ rất cao
- Chi phí xuất 1PB dữ liệu từ AWS S3 là 90.000~120.000 USD
- 80% doanh nghiệp đang đưa workload trở lại môi trường riêng của mình
- 37signals đã rời cloud và hạ chi phí hằng năm từ 3,2 triệu USD xuống dưới 1 triệu USD
- Chi phí cloud của GEICO cao gấp 2,5 lần kế hoạch
- Các hệ thống xây trên API độc quyền cũng phải chấp nhận nguyên trạng các thay đổi về giá và khó rời bỏ một cách sạch sẽ, vì vậy open-weight mang lại quyền rời bỏ nhà cung cấp
- Tính đến tháng 3/2026, tổng số lượt tải tích lũy trên Hugging Face của Alibaba Qwen đạt 942M, Meta Llama đạt 476M, khiến Trung Quốc trở thành nguồn cung open-weight lớn nhất
- Tháng 2/2026, Qwen được tải nhiều hơn tổng cộng tám tổ chức đứng sau nó cộng lại
- Tỷ trọng token của các mô hình open-weight Trung Quốc trên OpenRouter đã tăng từ dưới 2% vào cuối năm 2024 lên hơn 45% lưu lượng hằng tuần vào tháng 4/2026, và chiếm khoảng 61% trong top 10 mô hình theo mức sử dụng
- DeepSeek có hơn 26.000 tài khoản doanh nghiệp và 58% startup AI mới trong năm 2025 đã đưa nó vào stack, nhưng ít nhất 8 khu vực pháp lý đã hạn chế dịch vụ lưu trữ của hãng
- Các doanh nghiệp đồng thời thực hiện cả hai quyết định: cấm ứng dụng được lưu trữ nhưng vẫn tự lưu trữ weight hoặc sử dụng chúng qua endpoint phương Tây
- Việc Trung Quốc thúc đẩy phổ biến mã nguồn mở là một chính sách đã được đưa vào AI Plus Initiative của State Council tháng 8/2025 và Five-Year Plan quốc gia tháng 3/2026
- Weight công khai cũng đóng vai trò ứng phó với kiểm soát xuất khẩu chất bán dẫn, đồng thời phân tán gánh nặng suy luận sang phần cứng cục bộ của người dùng trên toàn thế giới
- Tại Global South, có nhu cầu đa dạng hóa nhà cung cấp để thoát khỏi thế độc quyền công nghệ của Mỹ, còn ở các khu vực khác, chi phí là động lực chính
Agent harness trở thành tầng cạnh tranh mới
- Cũng như trình duyệt từng là user agent của web mở, thay người dùng đàm phán với máy chủ, agent harness nằm trên mô hình sẽ đảm nhiệm điều phối, công cụ, bộ nhớ, sandbox và quyền hạn
- Ngăn xếp harness gồm nhiều tầng, từ mô hình đến người dùng và quản trị
- Tầng điều khiển: LangGraph, CrewAI, AutoGen, LlamaIndex biến mô hình thành agent bằng vòng lặp lặp lại giữa suy luận và hành động
- Tầng kết nối: MCP phụ trách công cụ và ngữ cảnh, A2A phụ trách giao tiếp giữa các agent, còn Mem0, Letta, Zep phụ trách bộ nhớ
- Tầng hành động: E2B, Daytona, Modal cung cấp sandbox và thực thi, còn quyền hạn và danh tính vẫn là một vùng ghi chưa được giải quyết
- Tầng đánh giá và quan sát: Langfuse và Phoenix theo dõi kết quả chạy và hành vi
- Tầng người dùng và thanh toán: AG-UI, A2UI phụ trách giao diện; x402, AP2, UCP phụ trách thanh toán và đo lường
- Tầng quản trị: Meta-harness, Omnigent, OPA, Agent governance toolkit tích hợp chính sách dựa trên trạng thái, registry, lineage, ngân sách và hủy bỏ của nhiều harness
- MCP trong năm đầu đã đạt 97M lượt tải SDK hàng tháng và hơn 10.000 máy chủ hoạt động, tăng trưởng 4.750% trong 16 tháng, và được đóng góp cho Agentic AI Foundation của Linux Foundation vào tháng 12/2025
- Tỷ lệ doanh nghiệp có quản trị agent ở mức trưởng thành chỉ khoảng 21%, cho thấy tốc độ triển khai đang nhanh hơn các cơ chế kiểm soát
-
Tích hợp dọc giữa mô hình và harness
- Trên Terminal-Bench 2.0, vào tháng 5/2026, harness bên thứ ba đạt 79,8% với cùng weights của Anthropic, vượt Claude Code 58,0% tới 21,8 điểm phần trăm
- Tám tuần sau, ở Terminal-Bench 2.1, thứ hạng bị đảo ngược khi các phòng nghiên cứu nội bộ hóa harness
- Tổ hợp Codex CLI và GPT-5.5 đạt 83,4%, còn Claude Code và Claude 5 Fable đạt 83,1%
- Harness độc lập đứng đầu dùng cùng Fable 5 đạt 80,4%, khiến khoảng cách ở nhóm đầu thu hẹp còn khoảng 3 điểm phần trăm
- Ở mọi mô hình có thể so sánh, harness do phòng nghiên cứu sở hữu đều vượt harness độc lập
- Khi tối ưu hóa mô hình và harness cùng nhau, hiệu năng tăng lên nhưng khi đổi sang mô hình khác thì hiệu năng giảm, tạo ra sự phụ thuộc như một sản phẩm phụ của tối ưu hóa
- Các mô hình mở không có harness first-party để đối phó điều này, nên không xuất hiện ở nhóm đầu xác thực chính thức của Terminal-Bench 2.1
- Nếu so trên harness trung lập, Claude Opus 4.8 đạt 71,9% với 2,41 USD mỗi tác vụ, Opus 4.7 đạt 68,5% với 1,98 USD, còn mô hình mở GLM 5.2 đạt 67,8% với 0,43 USD
- Mô hình mở chỉ thấp hơn chút ít so với Opus 4.7 và kém Opus 4.8 khoảng 4 điểm phần trăm, nhưng chi phí chỉ bằng khoảng 1/5
- Dữ liệu sử dụng thực tế phát sinh từ harness do phòng nghiên cứu sở hữu tạo ra một data flywheel quay ngược trở lại cho mô hình kế tiếp; nếu sở hữu ngăn xếp riêng, họ có thể trực tiếp nắm dữ liệu đó
-
Quyền ghi chưa được giải quyết
- Đọc như tra cứu tài liệu, truy vấn cơ sở dữ liệu hay danh sách lịch có thể hoàn tác và kết quả tương đối nhỏ, nên có thể cho phép mặc định
- Ghi như gửi tin nhắn, chi ngân sách, sửa bản ghi hay thực hiện giao dịch thì tốn kém hoặc không thể hoàn tác, nên cần tập trung vào xác nhận, ngưỡng phê duyệt, hạn mức chi phí và chức năng hủy
- Dù đã có khoảng 12 framework, 10 harness và 3 giao thức peer, vẫn chưa có mô hình quyền ghi có thể переносить xuyên qua host MCP, peer A2A, gọi công cụ trực tiếp và ranh giới framework
- Đặc tả MCP 2025-11-25 đã chuyển xác thực sang OAuth 2.1 và A2A v1.0 đã chuẩn hóa Agent Card có chữ ký, nhưng cả hai đều dừng ở xác thực danh tính
- Dù xác minh được danh tính, vẫn chưa quyết định được agent có thể thực thi điều gì
- Mô hình đe dọa MCP của CoSAI xếp mệt mỏi vì đồng ý — khi người dùng vô thức chấp nhận phần lớn yêu cầu phê duyệt — vào nhóm đe dọa cao nhất
- Meta-harness như Omnigent mã nguồn mở của Databricks theo dõi trạng thái phiên và kiểm soát lần ghi tiếp theo, thay vì chỉ dùng bộ lọc prompt của từng agent
- Nếu sau khi tải xuống một package chưa được xác minh mà agent cố gắng push code, hệ thống có thể yêu cầu con người phê duyệt
- Cũng có thể áp dụng trần chi phí để tạm dừng phiên khi chi vượt mức đã đặt
- Tầng kiểm soát vùng ghi trên nhiều harness là điểm hình thành của một mô hình quyền hạn bền vững
-
Bảo mật và lợi thế còn lại của mô hình đóng
- Lọc, giám sát và hủy không phải là năng lực đến từ việc giữ kín weights, mà là chức năng của tầng dịch vụ và harness, và cũng có thể áp dụng cho mô hình mở tự host
- Ngay cả trong các hệ thống đóng của Anthropic, Microsoft, ServiceNow và Salesforce năm 2025 cũng xuất hiện lỗ hổng quyền hạn CVSS 9,3~9,4
- NTIA sau khi xem xét việc chính phủ Mỹ có nên hạn chế open weights hay không đã khuyến nghị giám sát thay vì hạn chế
- Các hệ thống đóng vẫn dẫn trước ở bốn mảng
- Harness tích hợp cùng data flywheel đứng phía sau nó
- Khoảng cách giữa 89% multi-needle retrieval của Gemini 3 và 41% của DeepSeek V4-Pro trong truy xuất ngữ cảnh dài 1 triệu token
- Tuân thủ quy định sẵn sàng sử dụng như SOC 2, HIPAA và không lưu giữ dữ liệu theo mặc định
- Một đối tác hợp đồng mà khách hàng có thể quy trách nhiệm
- Tuân thủ quy định và trách nhiệm là vấn đề hợp đồng, harness tích hợp là vấn đề công cụ, còn độ trung thực ở ngữ cảnh dài là vấn đề mô hình mà các phòng nghiên cứu mở phải tự giải quyết
Năm khoản đầu tư để giữ tính mở
- Xây dựng open harness: Cần tạo ra harness đa dụng hoặc theo ngành được đồng thiết kế với open weights, như cách Codex và GPT-5.5 được kết hợp
- Hiện vẫn là thời điểm có thể xây dựng trước khi các phòng nghiên cứu đóng gói hoàn toàn mô hình và harness thành một sản phẩm cho thuê thống nhất
- Sở hữu bộ nhớ: Khi giá weights tiến gần về 0, mô hình sẽ trở thành linh kiện có thể thay thế, còn bộ nhớ mang ngữ cảnh tích lũy sẽ trở thành tài sản tăng trưởng theo lãi kép
- Cần lưu nó ở định dạng có thể di chuyển và chỉ cho phép bổ sung, phía sau tường lửa riêng; một khi mất quyền truy cập, không thể khôi phục lại ngữ cảnh của nhiều năm
- Giải quyết quyền hạn có thể di chuyển: Cần một tiêu chuẩn phân biệt giữa cho phép không giám sát, cần con người phê duyệt và cấm ghi, xuyên suốt MCP, A2A, gọi công cụ trực tiếp và mọi ranh giới framework
- Nếu chuẩn mở không ra đời trong lúc chính sách ghi dựa trên trạng thái của meta-harness đang hình thành, các nền tảng đóng sẽ đặt ra luật chơi
- Thoát khỏi tính tiền theo mức dùng: Cần so sánh trực tiếp mô hình đóng và mở, đặt mô hình thứ hai chờ sau giao diện mở, và tự host ở nơi tải có thể dự đoán được
- Dự kiến giai đoạn giá ban đầu sẽ kết thúc vào khoảng 2027~2028, sau khi nhà cung cấp niêm yết và các đợt giảm giá cạn dần; cần chuẩn bị nguồn cung kép khi việc chuyển đổi còn dễ và rẻ
- Đặt mặc định là nhiều nhà cung cấp: Nếu hệ sinh thái tập trung vào một nhà cung cấp mở duy nhất thì khó có thể xem là tài nguyên chung
- 47 quốc gia đang hạn chế xử lý dữ liệu ở nước ngoài và hơn 70 chiến lược quốc gia đã được triển khai
- Europe đang đầu tư vào EUROPA, Canada đã bố trí 890 triệu USD, còn India đã chỉ định 38.231 GPU
- Nếu vốn công không thể duy trì phát triển dài hạn, hệ sinh thái mở cũng có thể hội tụ về một nguồn duy nhất
Những tín hiệu cần tiếp tục theo dõi
- Năng lực và mức độ triển khai: cần theo dõi khoảng cách năng lực 3,3%, khả năng ngang bằng trong lập trình, khoảng cách về suy luận và agent, cùng tỷ trọng token lập trình agent trên OpenRouter
- Nếu tỷ trọng token mở chững lại và khoảng cách suy luận nới rộng, xu hướng hiện tại sẽ đảo chiều
- Harness: khoảng cách Terminal-Bench giữa harness thuộc sở hữu viện nghiên cứu và harness độc lập, quản trị MCP·A2A dưới AAIF, cùng đặc tả quyền hạn có thể di chuyển được vẫn chưa tồn tại là các điểm then chốt
- Nếu lợi thế của harness viện nghiên cứu tăng lên hoặc nền tảng đóng thiết lập tiêu chuẩn quyền hạn trước, tầng mở sẽ suy yếu
- Cấu trúc thị trường: cần xem cùng nhau ARR·đầu tư của các viện nghiên cứu mở, IPO của Zhipu và MiniMax, điểm bẻ của giá tính theo mức sử dụng trong giai đoạn 2027~2028, và đầu tư vào hạ tầng tính toán chủ quyền cấp quốc gia
- Nếu nguồn vốn nhà nước bị cắt hoặc tính kinh tế của các viện nghiên cứu mở không thể mở rộng theo quy mô, sẽ khó hình thành một thị trường bền vững
- Độ tin cậy và an toàn: cần theo dõi năng lực lạm dụng của open weight, mức độ dễ dàng gỡ bỏ tinh chỉnh an toàn, CSAM tổng hợp và hình ảnh thân mật không có sự đồng thuận (NCII), cũng như định hướng giám sát thay cho hạn chế của NTIA
- Các vụ lạm dụng nghiêm trọng hoặc việc chính sách chuyển sang hướng hạn chế có thể làm thay đổi môi trường phân phối mở
- Khi các chủ thể đảm nhiệm tính mở, tính di động và phân phối rộng rãi trong quá trình ra quyết định của AI giành được vị thế ngang hàng, thị trường sẽ chuyển từ cấu trúc đi thuê mô hình sang cấu trúc sở hữu trực tiếp mô hình
2 bình luận
Có vẻ họ lại chuyển sang Loop Engineering rồi.
Ý kiến trên Hacker News
Mô hình công khai có thể đánh bại Anthropic và OpenAI. Các nhà cung cấp đám mây siêu lớn có thể vận hành mô hình mà không phải trả phí bản quyền, còn Apple có thể thu nhỏ mô hình để chạy trực tiếp trên thiết bị
Mô hình tiên tiến nhất vừa là lợi thế cạnh tranh vừa là gánh nặng. Chi phí huấn luyện mang tính thiên văn, nhưng nếu ngừng phát triển thì mô hình sẽ bị lãng quên, và cuối cùng phải dựa vào marketing để duy trì niềm tin rằng mỗi mô hình thật sự khác biệt đáng kể. Giờ đây người ta bắt đầu nghi ngờ liệu các mô hình còn khác nhau nhiều đến thế không, và yếu tố cốt lõi để biến các mô hình ngẫu nhiên, dễ ảo giác thành thứ có tính quyết định và hữu ích có vẻ là framework thực thi
Nếu điều kiện thị trường thay đổi, họ cũng có thể đóng lại như Meta, và nếu chi phí huấn luyện tiếp tục tăng thì cũng khó nói chiến lược trọng số công khai có bền vững về tài chính hay không
Dù vậy, các tổ chức lớn vẫn phải đổ vào lượng tiền và tài nguyên tính toán khổng lồ trong khi từ bỏ lợi nhuận, và kiểu hào phóng này khó có thể kéo dài mãi. Vấn đề là mô hình kinh doanh của các mô hình tiên tiến nhất hay làn sóng đầu tư miễn phí của những kẻ bám đuổi nhanh sẽ sụp đổ trước
Tình hình có vẻ như nếu không đạt được siêu trí tuệ tự cải thiện thì sẽ thất bại. Nếu đạt được siêu trí tuệ, các mô hình tiên tiến nhất sẽ bứt lên nhờ tăng trưởng theo hàm mũ nhanh hơn; còn nếu không, những kẻ bám đuổi nhanh sẽ áp đảo các khoản đầu tư khổng lồ và mọi năng lực phòng thủ cũng biến mất. Điều này giống với việc GaAs không thể bắt kịp silicon trong ngành bán dẫn khi silicon cưỡi trên đà của định luật Moore, và việc thực thi bản quyền cũng không dễ
Ngay cả khi dùng B300 với mức giá cao là 5 USD mỗi giờ và giả định MFU là 50%, tổng chi phí cũng chỉ khoảng 15 triệu USD. Dĩ nhiên còn có rủi ro huấn luyện thất bại và chi phí huấn luyện tiếp theo, nhưng nếu so với chi tiêu cho suy luận về sau thì quy mô này không hẳn là phi lý
Đúng 4 tháng trước, thị phần OpenRouter là 60% mô hình đóng và 40% mô hình công khai, nhưng giờ mô hình công khai đã chiếm 63% và vượt lên. Ngày 19/3, tổng lưu lượng của mô hình công khai là 888 tỷ token, còn hôm qua là 4,19 nghìn tỷ token, tức tăng gấp 5 chỉ trong khoảng 4 tháng
Tôi cũng đã làm một dashboard cập nhật hằng ngày dựa trên dữ liệu OpenRouter: https://dirac.run/labs-market-share
Dù vậy, việc mức sử dụng mô hình công khai tăng trưởng trên OpenRouter vẫn là điều rất đáng chú ý
Nếu không đồng ý, tôi muốn biết các công ty này thực sự có hào lũy nào. Nhìn vào mức chi tiêu khổng lồ của OpenAI và Anthropic mà vẫn không thấy bất kỳ năng lực phòng thủ thực chất nào khiến tôi rất bức bối
Tất nhiên bài này có văn phong do LLM tạo ra: https://www.pangram.com/history/29a71663-e6b2-4db6-87bd-b943...
Tôi thắc mắc vì sao các lãnh đạo lại gắn tên mình vào kiểu bài như vậy. Có thể họ xem đây là phần nối tiếp tự nhiên của thói quen ký tên vào bản thảo do thư ký viết hoặc thông cáo báo chí do đội PR chuẩn bị
Tôi nghĩ sẽ tốt cho văn hóa cộng đồng nếu HN tự động chạy Pangram cho các bài thiên về văn bản, hoặc ít nhất là các bài lên trang đầu. Cá nhân tôi dùng plugin trình duyệt, nhưng nhìn phần bình luận thì có vẻ vẫn có người không nhận ra nội dung do AI tạo ra
Thay vì mỗi độc giả tự thỉnh thoảng kiểm tra, sẽ tốt hơn nếu các trang tổng hợp nội dung tự động hóa việc phát hiện AI. Gần đây Manifund cũng đã triển khai kiểm tra Pangram tự động, và tôi biết LessWrong đã dùng tính năng này từ khá lâu
Bộ slide này đọc thật sự rất khổ sở. Có quá nhiều biểu đồ gần như không liên kết với phần văn bản xung quanh, và nó trông như bộ slide CTO do LLM tưởng tượng ra. Nhưng có lẽ vì nó trông giống slide của CTO nên người ta xem đó là “HIGH IMPACT”
Sẽ tốt hơn nhiều nếu CTO của Mozilla tự mình trình bày rõ ràng trực tiếp phần phân tích này
Nhìn chung tôi ủng hộ sự lan rộng của mô hình công khai nên muốn đón nhận bài này một cách nghiêm túc, nhưng dấu vết AI viết quá rõ nên rất khó. Có vẻ họ đã sa thải những người từng viết kiểu bài này
Tôi không chỉ muốn châm biếm; tôi thực sự nghĩ văn phong AI dễ nhận ra sẽ lập tức khiến một bộ phận độc giả rời đi, làm suy yếu luận điểm của bài và phản tác dụng
“Mozilla tồn tại vì từng có một công ty muốn độc chiếm cổng vào của web, và cộng đồng mở đã đứng lên để ngăn điều đó”, nhưng nhìn vào thị phần hiện tại của Firefox thì trên thực tế cổng vào của web đang thuộc sở hữu của Google và Apple
Có thể chỉ cần một tương lai nơi một số ít mô hình mở kiềm chế những lệch hướng của phần còn lại của hệ sinh thái là đã đủ, nhưng có vẻ bài này không thực sự triển khai theo lập luận đó
Sau đó lại có thêm một công ty khác dùng vị thế thị trường để phổ biến trình duyệt miễn phí và làm sụp đổ thị phần của Firefox, nhưng vẫn tiếp tục trả tiền cho Mozilla để mọi thứ không trông giống độc quyền
Thật đáng chú ý khi Mozilla làm đủ mọi thứ để chạy theo xu hướng mới nhất, nhưng lại không tạo ra một trình duyệt bảo vệ quyền riêng tư đúng nghĩa cho nhà phát triển và người dùng nâng cao
Tôi cũng bắt đầu đồng tình với chiến lược AI của Mozilla. Thay vì tự xây mô hình hay bán nội dung AI chất lượng thấp, họ đang xây một lớp tương thích mã nguồn mở, nên cách tiếp cận này không hề phi thực tế
Tôi không muốn một thế giới nơi AI bị khóa chặt theo chiều dọc, và nếu Mozilla thực sự có thể tái hiện chiến lược trước đây của mình với AI mã nguồn mở thì đó sẽ là điều có lợi cho tất cả mọi người
Gần đây tôi rất thích Zen, nhưng ngay cả sau hai tháng sử dụng thì tính năng tab ghim của nó vẫn hơi gây bối rối: https://zen-browser.app/
Bản PDF dễ đọc hơn: https://stateofopensource.ai/state-of-open-source-ai-2026.pd...
Thật đáng tiếc khi gần như không thấy một cộng đồng nào xoay quanh mô hình mở thực sự, tức là công bố cả dữ liệu nguồn lẫn phương pháp huấn luyện để ai có đủ tài nguyên cũng có thể tái tạo được trên thực tế. Người ta đã để cho ý nghĩa của từ “mở” bị làm loãng đến mức đáng kinh ngạc
Thiết kế và bố cục khiến việc đọc khó hơn mức cần thiết, nhưng việc chi phí suy luận đã giảm gần 50 lần thực sự rất đáng kinh ngạc. Nhìn vào việc công bố Kimi K3 có thể thấy các mô hình mở đã tiến rất gần trình độ tiên tiến nhất
AI mã nguồn mở đang phát triển nhanh hơn nhiều so với những gì Anthropic và OpenAI từng dự đoán