- Mô hình open weight của Trung Quốc Kimi K3 đã tiệm cận các mô hình tiên tiến nhất, nhưng năng lực cạnh tranh của kinh doanh AI được quyết định ở giá vốn hàng bán (COGS) để cung cấp trí tuệ ở mức câu trả lời đúng, hơn là chi phí phát triển mô hình
- Lượng token cần để đi đến câu trả lời đúng khác nhau theo từng mô hình, nên bản thân token không phải là hàng hóa có thể thay thế lẫn nhau; thứ thực sự được hàng hóa hóa là trí tuệ được tạo ra bằng token
- Mức giá cao của Anthropic và OpenAI phần lớn bắt nguồn từ tình trạng thiếu nguồn cung điện toán; dù mô hình Trung Quốc rẻ hơn trên mỗi token, nếu dùng nhiều token suy luận hơn thì lợi thế chi phí có thể biến mất
- Trung Quốc muốn hàng hóa hóa AI bằng các mô hình open weight để củng cố ngành robotics và công nghiệp vật lý trong nước, đồng thời cũng hưởng lợi thế cấu trúc khi dùng các mô hình tiên tiến nhất của Mỹ làm giáo viên chi phí thấp thông qua chưng cất (distillation)
- Nếu Mỹ không nới lỏng hạn chế đối với các mô hình tiên tiến nhất dùng cho an ninh mạng và không cho phép các nhà phát triển open weight trong nước thực hiện chưng cất, doanh nghiệp Mỹ sẽ phải phụ thuộc vào mô hình Trung Quốc để phòng thủ
Cấu trúc chi phí AI đã khác phần mềm
- Phần mềm có chi phí biên và chi phí giao dịch gần như bằng 0, mang lại lợi thế tập trung hóa và quy mô cho những công ty nắm được nhu cầu; nhưng trong AI, chi phí biên lại chi phối cấu trúc ngành
- Mô hình open weight giúp tiết kiệm chi phí nghiên cứu và phát triển để tạo trọng số, nhưng không làm cho chi phí dịch vụ trở nên miễn phí
- Chi phí nghiên cứu và phát triển là chi phí cố định, không phụ thuộc doanh thu
- Chi phí suy luận là giá vốn hàng bán, tăng theo mức sử dụng và doanh thu
- Nếu chi phí tạo token là 0,50 USD trên mỗi 1 USD doanh thu, thì doanh thu 100 triệu USD sẽ phát sinh 50 triệu USD giá vốn hàng bán, còn doanh thu 100.000 USD sẽ phát sinh 50.000 USD
- Kimi K3 có giá 3 USD cho mỗi 1 triệu token đầu vào và 15 USD cho mỗi 1 triệu token đầu ra; Sol lần lượt là 5 USD và 30 USD
- Tuy nhiên, chỉ nhìn đơn giá token thì khó nắm bắt đầy đủ chi phí thực tế để mô hình cung cấp trí tuệ
Thứ được hàng hóa hóa không phải token mà là trí tuệ
- Nếu Nvidia định nghĩa GPU là “nhà máy token” độc lập với mô hình, thì token mỗi giây, thời gian tới token đầu tiên, token trên mỗi watt và chi phí token trở thành các chỉ số chính
- Cách đo này phù hợp trong kỷ nguyên ChatGPT, khi token được chuyển trực tiếp tới người dùng, nhưng trong kỷ nguyên suy luận, token chuỗi suy nghĩ tăng vọt và số token cần để có câu trả lời đúng cũng khác nhau theo từng mô hình
- Kimi được cho là dùng nhiều token hơn Sol rất nhiều, nên lợi thế giá niêm yết có thể biến mất
- Trong workflow agent, số token cần để hoàn thành tác vụ cũng khác nhau theo từng mô hình
- Token không thể thay thế lẫn nhau, nên khác với hàng hóa như dầu thô, đồng hay lúa mì
- Nếu nhiều mô hình có thể tạo ra cùng một câu trả lời đúng, thứ có tính hàng hóa không phải token mà là trí tuệ ở mức câu trả lời đúng, và số token tiêu thụ để đến câu trả lời đúng tạo ra khác biệt về giá vốn hàng bán
- Giá vốn hàng bán của trí tuệ được quyết định bởi năm yếu tố
- Kích thước mô hình: trọng số và trạng thái runtime quyết định lượng bộ nhớ đắt tiền và số accelerator cần thiết cho bản sao phục vụ
- Hiệu quả suy luận: các kiến trúc như Mixture-of-Experts giảm lượng tính toán trên mỗi token được tạo
- Hiệu quả bộ nhớ: giảm yêu cầu KV cache có thể tăng số yêu cầu đồng thời và mức sử dụng GPU
- Hiệu quả phục vụ: xử lý theo lô, lập lịch, caching tiền tố, v.v. chia sẻ công việc giữa các yêu cầu và tăng mức sử dụng
- Hiệu quả token: càng cần ít token để có câu trả lời đúng thì chi phí suy luận càng thấp
- Các ứng dụng CRUD cơ bản đã có thể được tạo bằng mô hình của nhiều nhà cung cấp, nên với những tác vụ này, cấu trúc chi phí tốt hơn quyết định lợi nhuận nhiều hơn mức giá cao
Giá cả và cấu trúc lợi nhuận trong thị trường hàng hóa
- Trong thị trường hàng hóa, mọi nhà cung cấp bán cùng một thứ nên giá được xác định theo cung và cầu
- Độ co giãn theo giá phát huy tác dụng: giá càng thấp thì nhu cầu càng tăng
- Nguồn cung phụ thuộc vào chi phí biên của việc sản xuất hàng hóa
- Vì chi phí biên khác nhau giữa các nhà cung cấp, chi phí của nhà cung cấp biên có chi phí cao nhất sẽ quyết định giá thị trường; lợi nhuận của các nhà cung cấp còn lại phụ thuộc vào việc họ sản xuất rẻ hơn mức đó bao nhiêu
- Nếu các nhà cung cấp A, B, C lần lượt sản xuất 10 đơn vị với chi phí 10, 15, 20 USD mỗi đơn vị, và ở mức giá 20 USD nhu cầu là 25 đơn vị, thì như sau
- A bán 10 đơn vị và kiếm 10 USD mỗi đơn vị
- B bán 10 đơn vị và lãi 5 USD mỗi đơn vị
- C bán 5 đơn vị nhưng không có lợi nhuận trên mỗi đơn vị
- Trên thực tế, A và B có thể hạ giá thấp hơn C một chút, và biến động giá cũng ảnh hưởng đến nhu cầu, nhưng cấu trúc trong đó nhà cung cấp có chi phí cao nhất gánh rủi ro phá sản vẫn giống nhau
- Giá thanh toán thị trường không thể phản ánh chi phí cố định như nghiên cứu phát triển hay nợ mua sắm thiết bị, nhưng các chi phí này có thể loại những nhà cung cấp có lợi nhuận thấp ra khỏi thị trường
- Khi nhà cung cấp rời thị trường, giá sẽ tăng cho đến khi nhà cung cấp khác gia nhập hoặc nhà cung cấp hiện hữu mở rộng công suất
Vị thế của mô hình Trung Quốc trong thị trường trí tuệ hiện nay
- Hiện tại, thị trường mô hình tiên tiến nhất chưa đáp ứng điều kiện của một thị trường hàng hóa hoàn chỉnh vì tình trạng thiếu điện toán khiến cầu vượt cung
- Nvidia cung cấp điện toán với biên lợi nhuận cao, các khách hàng như SpaceXAI cũng bán lại cho Anthropic với biên lợi nhuận cao, và Anthropic có thể đặt giá token cao hơn nữa
- Anthropic và OpenAI có thể thuộc nhóm công ty có chi phí đơn vị thấp nhất cho trí tuệ chất lượng tiên tiến nhất nhờ hiệu năng mô hình, quy mô phục vụ và hiệu quả token
- Cung cấp một mức hiệu năng nhất định sớm hơn đối thủ vài tháng
- Dùng lại mô hình tốt nhất để tối ưu hóa chi phí
- Nhu cầu thị trường hiện vẫn hướng trực tiếp tới Anthropic và OpenAI hơn là trí tuệ trừu tượng; SpaceXAI và Meta, vốn có hiệu năng tương đối thấp hơn, bán dung lượng cho Anthropic
- Nếu định nghĩa tác vụ theo mức trí tuệ cần thiết, có thể tạo ra một thị trường hàng hóa nơi người mua có thể đổi nhà cung cấp
- Về dài hạn, các mô hình tiên tiến nhất sau vài tháng sẽ đi xuống thị trường không còn tiên tiến nhất, và trong thời gian đó nhà phát triển có thể tối ưu chi phí phục vụ, nên các công ty tiên tiến nhất vẫn có lợi thế ở các thị trường cấp thấp hơn
- Giá niêm yết thấp của mô hình Trung Quốc có thể là kết quả so sánh với mức giá cao mà Anthropic và OpenAI đặt ra do thiếu nguồn cung
- Chưa có đủ căn cứ cho thấy Kimi rẻ hơn theo chi phí biên; nếu tính cả hiệu quả token, phản ứng kinh tế đối với mô hình Trung Quốc có thể đã quá mức
Vì sao các phòng lab tiên tiến nhất cảnh giác với mô hình Trung Quốc
- Các phòng lab tiên tiến nhất vẫn bị ràng buộc bởi cấu trúc tài chính của giai đoạn huấn luyện tiêu tốn nhiều GPU hơn suy luận
- Để hỗ trợ lần huấn luyện tiếp theo, họ phải tối đa hóa doanh thu suy luận, và vì thế cần giá suy luận cao
- Dù chi phí huấn luyện tiếp tục tăng vọt, thị trường suy luận được kỳ vọng sẽ tăng nhanh hơn
- Vì mô hình agent đã mở ra nhu cầu quy mô lớn, khi có đủ điện toán, họ có thể tăng trưởng bằng giá thấp và mức sử dụng cao
- Trí tuệ không phải là hàng hóa hoàn hảo, và dữ liệu thu thập trong quá trình sử dụng thực tế làm mô hình tiếp theo thông minh hơn
- Khi nguồn cung điện toán tăng, sẽ có động lực giảm giá để tăng mức sử dụng và dữ liệu
- Chiến lược của Microsoft tập trung hỗ trợ doanh nghiệp chạy mô hình riêng cũng trở nên khả thi hơn khi mô hình Trung Quốc đóng vai trò như một lựa chọn thay thế
- Các phòng lab tiên tiến nhất có thể mở rộng lên trải nghiệm khách hàng để tạo khác biệt trước mô hình Trung Quốc và các phòng lab khác
- Claude Code và Codex cho thấy tính bền dính mạnh: người dùng có xu hướng ở lại harness họ chọn ban đầu
- Tính bền dính này có thể mạnh hơn với người dùng phi kỹ thuật
- Việc các phòng lab tiến lên tầng trên là mối đe dọa với các nhà cung cấp phần mềm, bao gồm Microsoft
- Các công ty phần mềm đã nắm trải nghiệm khách hàng sẽ dễ chống lại sự thâm nhập của phòng lab hơn khi họ có quyền tiếp cận các mô hình cạnh tranh
- Anthropic có lập trường rằng chỉ mình họ đáng tin để được giao phó AI mạnh, nên phương án open weight thay thế sẽ phá vỡ tiền đề đó
Chiến lược open weight của Trung Quốc
- Qwen3.8 Max của Alibaba có 2,4 nghìn tỷ tham số, và công ty đánh giá nó đứng ở cấp thứ hai sau Fable 5 của Anthropic
- Kimi K3 của Moonshot AI có 2,8 nghìn tỷ tham số
- Qwen3.8 Max có thể dùng trên các nền tảng coding của Alibaba, bao gồm Qoder
- Alibaba có kế hoạch công bố trọng số sau giai đoạn preview
- Khi nhu cầu đối với các mô hình Trung Quốc dồn tới, Moonshot tạm ngừng nhận đăng ký thuê bao mới
- Alibaba trước đó đã dừng công bố trọng số mô hình tiên tiến nhất, nhưng nay chuyển lại sang open weight
- Bài phát biểu về AI của Xi Jinping khuyến khích mã nguồn mở, cởi mở, hợp tác và chia sẻ, đồng thời nhấn mạnh AI đang chuyển từ thế giới số sang thế giới vật lý
- Yêu cầu dùng AI để chuyển đổi các ngành truyền thống, phát triển ngành mới nổi và hoạch định ngành tương lai, để mọi ngành và doanh nghiệp đều được hưởng lợi
- Chiến lược của Trung Quốc là hàng hóa hóa AI để bổ trợ cho ngành công nghiệp trong nước
- Thế giới vật lý và robotics, nơi Trung Quốc mạnh, có thể hưởng lợi từ các mô hình AI được phổ biến rộng rãi
- Có thể ngăn Mỹ đạt lợi thế bất đối xứng trong AI và làm suy yếu sức mạnh của các phòng lab tiên tiến nhất của Mỹ
- Cũng có thể hấp thụ đổi mới phát sinh trong hệ sinh thái mở
Khoảng cách cấu trúc do chưng cất tạo ra
- Khả năng Trung Quốc ngăn chặn các cuộc tấn công chưng cất nhằm vào các phòng lab tiên tiến nhất là thấp
- Quy toàn bộ thành công của các phòng lab Trung Quốc cho chưng cất là sai, nhưng phủ nhận lợi thế lớn của chưng cất cũng sai
- Trong năm gần đây, reinforcement learning hậu huấn luyện trở nên quan trọng với hiệu năng mô hình, khiến hiệu quả của chưng cất tăng lên
- Các phòng lab Trung Quốc có thể dùng mô hình tiên tiến nhất làm giáo viên mà không cần xây dựng môi trường reinforcement learning từ đầu
- Nhờ đó họ cải thiện nhanh với chi phí thấp hơn nhiều
- Chưng cất không phải yếu tố duy nhất giải thích chi phí phát triển thấp của mô hình Trung Quốc, nhưng là yếu tố quan trọng
- Ở phương Tây, chính các mô hình Trung Quốc cũng được dùng để chưng cất
- Thinking Machines, đơn vị tung ra mô hình open weight, dựa vào mô hình Trung Quốc để giải quyết vấn đề khởi động lạnh của reinforcement learning
- Theo phân tích của Dean Meyer và Konstantine Buhler, các phòng lab Trung Quốc có nhà nghiên cứu xuất sắc, điện toán quy mô lớn, mô hình tiền huấn luyện mạnh, đồng thiết kế phần mềm-phần cứng và năng lực hậu huấn luyện được cải thiện
- Chưng cất nén khoảng cách cuối cùng đắt đỏ giữa mô hình nền tảng mạnh và hệ thống gần tiên tiến nhất
- Việc siết kiểm soát có thể khiến chưng cất quy mô lớn khó hơn và đắt hơn, nhưng không thể loại bỏ cả chưng cất của tác nhân được nhà nước hỗ trợ
- Mỗi khi mô hình tiên tiến nhất của phương Tây tiến bộ, các phòng lab Trung Quốc lại có giáo viên mới
- Các nhà phát triển open weight của Mỹ phải tuân thủ điều khoản dịch vụ của các phòng lab tiên tiến nhất, nên bất lợi hơn mô hình Trung Quốc, và cuối cùng phải đi qua mô hình Trung Quốc để chưng cất lại kết quả đã được chưng cất
- Bản thân các mô hình ngôn ngữ lớn cũng là kết quả thu thập tri thức từ Internet công khai rồi nén vào mô hình, nên có mâu thuẫn khi chỉ coi việc chưng cất phản hồi API của mô hình khác là sai
- Mỹ cần hai biện pháp pháp lý
- Phải nêu rõ việc thu thập dữ liệu để huấn luyện mô hình là sử dụng hợp lý
- Ít nhất với các công ty Mỹ, không nên cho phép điều khoản dịch vụ cấm chưng cất
- Thay vì chặn chưng cất, vốn khó phân biệt với truy vấn API, cần bảo vệ việc học của các phòng lab về mặt pháp lý và cho phép dùng kết quả đó cho đổi mới tiếp theo
Lĩnh vực thực sự đáng lo là an ninh mạng
- Hạ tầng production của Hugging Face đã bị một hệ thống agent AI tự trị xâm nhập, và guardrail của các mô hình tiên tiến nhất của Mỹ không phân biệt được người ứng phó sự cố với kẻ tấn công, khiến việc ứng phó bị cản trở
- Nhóm phòng thủ đã chạy GLM 5.2 mã nguồn mở của Z.ai từ Trung Quốc trên hạ tầng của mình để phân tích hơn 17.000 log và dấu vết do kẻ tấn công để lại
- Hugging Face khuyến nghị nên xác minh trước các mô hình hiệu năng tốt có thể chạy trên hạ tầng của chính mình trước khi xảy ra sự cố
- Có thể tránh bị chặn truy cập do guardrail
- Có thể ngăn dữ liệu tấn công và thông tin xác thực rời khỏi môi trường bên ngoài
- Khi các mô hình có năng lực tấn công đã được phổ biến rộng rãi, người phòng thủ cũng phải được tiếp cận các mô hình hiệu năng cao nhất
- Do chỉ thị của chính quyền Trump, người phòng thủ trên thực tế không thể dùng Fable hay Sol cho an ninh mạng, và kết quả là mô hình Trung Quốc trở thành lựa chọn thay thế tốt nhất
- Mỹ nên triển khai hai chính sách
- Nới lỏng hạn chế an ninh mạng đối với Fable và Sol
- Đảm bảo các nhà phát triển mô hình open weight của Mỹ cạnh tranh trong điều kiện ngang bằng với Trung Quốc
- Nếu để các phòng lab tiên tiến nhất độc quyền đặt chuẩn an toàn và bảo mật, hoặc chặn quyền tiếp cận tiếp nối đối với tri thức tập thể, năng lực phòng thủ của doanh nghiệp Mỹ sẽ phải phụ thuộc vào mô hình Trung Quốc
- Các phòng lab Mỹ nên cạnh tranh bằng mô hình tốt hơn và cấu trúc chi phí tốt hơn, thay vì dùng hạn chế để ngăn cạnh tranh; họ không nên nhường vai trò dẫn dắt về tính mở và đổi mới cho Trung Quốc
2 bình luận
Xin lỗi Trái Đất
Các ý kiến trên Hacker News
Bên sợ các mô hình Trung Quốc nhất chính là các quỹ đầu tư mạo hiểm đã rót tiền vào mức định giá doanh nghiệp khổng lồ của Anthropic và OpenAI. Anthropic đang nhắm tới 1,2 nghìn tỷ USD, OpenAI là 850 tỷ USD, và các mức định giá này dựa trên giả định rằng họ có thể thu lợi nhuận khổng lồ từ API giá cao.
Các phòng thí nghiệm Trung Quốc đang phá vỡ chiến lược này bằng cách phát hành miễn phí các mô hình mở chất lượng cao; nếu ngay cả các phòng thí nghiệm dẫn đầu cũng lao vào cuộc đua giảm giá token, sẽ khó biện minh cho các mức định giá hiện tại và nhà đầu tư sẽ phải chịu những khoản lỗ trên sổ sách rất lớn.
Mô hình chỉ miễn phí ở khâu tải xuống, còn chạy nó thì không miễn phí, nên về mặt kinh tế nó gần với sản xuất hơn là phần mềm. Khi thử làm việc thực tế với GLM 5.2, nó đắt hơn GPT 5.6, và các phòng thí nghiệm Mỹ đang dẫn trước về chi phí suy luận trên mỗi tác vụ.
Khi tỷ trọng suy luận tăng lên trong các tác vụ agent, tỷ trọng chi phí huấn luyện sẽ giảm; hiệu quả token khó chưng cất, nên các LLM Trung Quốc có vẻ kém hiệu quả. Những mô hình được tối ưu cho nhu cầu suy luận quy mô lớn có thể đạt chi phí thấp trên mỗi tác vụ; nhờ token hóa hiệu quả và phản hồi ngắn, OpenAI có chi phí trên mỗi tác vụ thấp hơn chưa đến một nửa so với Anthropic, và trong các tác vụ tuyến đầu thì rẻ hơn đồng thời tốt hơn các mô hình Trung Quốc.
Doanh nghiệp cũng sẽ không chi quá nhiều tiền cho token. Khi các phòng thí nghiệm không còn cần bù lỗ chi phí huấn luyện, chi phí token có thể giảm xuống còn một phần mười; đến giai đoạn mô hình được khắc vào chip, lại giảm thêm một phần mười nữa, khiến việc tiêu thụ một lượng token đáng kể cũng trở nên khó, trừ khi cố ý làm vậy.
Trái với nhận định rằng Claude Code và Codex có độ bám dính cao, vào mùa đông và mùa xuân tôi gần như chỉ dùng Claude Code, rồi đầu hè chuyển sang Codex mà không gặp khó khăn nào. Trước đó tôi dùng Cursor và quá trình chuyển đổi cũng tương tự; tôi cũng dùng Conductor một thời gian ngắn, nhưng về cơ bản nó có vẻ chỉ cung cấp môi trường chạy Claude/Codex.
Vài năm sau, khi nhân viên kinh doanh thuyết phục được lãnh đạo bằng luận điểm tiết kiệm chi phí, họ lại chuyển đổi vì giá hơn là vì sản phẩm tốt hơn. Công ty của vợ tôi cũng cứ mỗi 1–2 năm lại đổi sang bộ sản phẩm của công ty khác, đúng lúc mọi người vừa quen với công cụ mới.
Tôi vận hành một trang phân tích B2B lớn nhận dữ liệu backend của khách hàng, và quan sát thấy lượng lớn lưu lượng có nguồn từ Shenzhen Tencent Computer Systems Company Limited tại khu vực Tân Cương, tây bắc Trung Quốc. Năm, sáu công ty Trung Quốc khác cũng liên tục gõ vào website của khách hàng.
Ảnh vệ tinh xác nhận việc xây dựng các trung tâm dữ liệu quy mô lớn tận dụng năng lượng mặt trời giá rẻ. Từ vài tháng trước, thông tin địa lý của các IP đó bắt đầu hiển thị là Shanghai hoặc Shenzhen, nhưng đo độ trễ cho thấy chúng dường như vẫn hoạt động ở khu vực Tân Cương.
Tài liệu tham khảo là “You Can't Cheat Time: Finding foes and yourself with latency trilateration” https://youtu.be/_iAffzWxexA, do người dùng HN lopoc cung cấp. Rất khó phân biệt Shenzhen với Tân Cương, nhưng Shanghai và Tân Cương thì lộ ra khác biệt.
Sẽ là sai lầm lớn nếu giả định Trung Quốc chỉ làm chưng cất. Như có thể thấy từ ByteDance và Xiaomi, Trung Quốc không còn là nơi tụt hậu chỉ sao chép giá trị thấp nữa.
Các công ty Trung Quốc cũng trả tiền cho con người và crawl web để thu thập dữ liệu giống như các công ty Mỹ. Tôi hiểu rằng chính phủ đang thúc đẩy một số tập đoàn lớn nhanh chóng thu thập web để xây dựng kho ngữ liệu rồi cung cấp cho các doanh nghiệp chiến lược trong nước Trung Quốc.
Cũng có các bên tổng hợp mua dữ liệu từ ứng dụng, website và dịch vụ; thông qua các hệ thống như OpenRouter hay Cursor, họ còn có thể học từ dấu vết thực thi của các cuộc trò chuyện và coding agent. Nhờ vậy, một công ty nhỏ như DeepSeek không cần tự thu thập dữ liệu từ hàng trăm website và coding agent, giúp giảm chi phí rất nhiều.
Cũng có công ty mua API LLM của Mỹ rồi chuyển tiếp cho doanh nghiệp Trung Quốc. Ngay cả khi có hơn 10.000 doanh nghiệp dùng sản phẩm AI của Mỹ, vẫn có khả năng Trung Quốc ghi lại cách sử dụng và dấu vết thực thi để tận dụng cho huấn luyện.
Tiền đề cốt lõi rằng “Anthropic và OpenAI rất có thể có chi phí trên mỗi đơn vị trí tuệ ở mức biên thấp nhất” chưa được chứng minh đầy đủ. Không có benchmark nào so sánh số token cần thiết để có một câu trả lời trong cùng điều kiện, mà chỉ có một hàm ý mơ hồ rằng các mô hình Mỹ hiệu quả hơn về token
Cũng chưa so sánh giá điện trung bình giữa Trung Quốc và Mỹ, trong khi ở điểm này Trung Quốc có vẻ có lợi thế. Tôi đồng ý rằng các benchmark lập trình v.v. bỏ qua giá vốn hàng bán, nhưng kết luận “các phòng thí nghiệm tuyến đầu sẽ ổn” đang dựa vào một giả định lớn
Nếu việc cào tri thức công khai trên Internet để tạo LLM được cho phép, thì cũng hợp lý khi cho phép chưng cất lại mô hình đó. Đề xuất ghi rõ việc thu thập dữ liệu huấn luyện là sử dụng hợp lý và chặn các điều khoản dịch vụ cấm chưng cất gần như là gậy ông đập lưng ông
Có thể xem Internet là tài sản công và đánh thuế các phòng thí nghiệm, nhưng đó là vấn đề khác với chưng cất
Sau khi tự xây dựng một môi trường chạy agent, tôi thấy hiệu năng của AI hầu như hoàn toàn đến từ bản thân mô hình, còn môi trường chạy không quan trọng lắm. Chỉ cần cấu hình tối thiểu như mini-swe-agent dùng cho benchmark là mô hình đã thực hiện tốt nhiệm vụ
Vì vậy tôi hoài nghi lập luận rằng môi trường chạy là hào lũy cạnh tranh; đặc biệt Claude Code từ trước đến nay có rất nhiều lỗi
Bài liên quan là https://stratechery.com/2026/anthropics-safety-superpower/. Nếu sở hữu điểm tiếp xúc với người dùng và trở thành canvas cho mọi công việc, hiệu ứng khóa chân sẽ rất mạnh; vì vậy các phòng thí nghiệm tuyến đầu không muốn chỉ là đầu vào phổ dụng cho phần mềm và các công ty phần mềm hiện hữu rốt cuộc sẽ va chạm với nhau
Người ta đồng nhất “sản xuất tại Trung Quốc” với “không đáng tin”, nhưng khác biệt quan trọng hơn là mở và đóng. Mô hình mở có thể được kiểm toán, tinh chỉnh và thậm chí chạy hoàn toàn trên phần cứng của riêng mình, còn mô hình đóng về cơ bản là cách tiếp cận “hãy tin chúng tôi”
Bắt đầu từ Mỹ, cả thế giới cần theo dõi các phòng thí nghiệm tuyến đầu của Trung Quốc. Không thể giả định rằng Trung Quốc sẽ luôn đi sau vài tháng; họ có thể ngang bằng hoặc vượt lên
Các nhà hoạch định chính sách cần học bài học từ thép, năng lượng mặt trời và xe điện. Cách chính phủ Trung Quốc xây dựng hệ thống để kiểm soát toàn bộ ngành là điều cần được tôn trọng và nghiên cứu; nếu hệ thống không thay đổi, các nền dân chủ về bản chất sẽ triển khai AI chậm hơn
Các chính phủ dân chủ như Mỹ, châu Âu và Ấn Độ cần lập chiến lược AI dài hạn có thể thực thi bất kể thay đổi chính quyền, đồng thời bảo vệ nghiêm ngặt các phòng thí nghiệm trong nước. Tuy nhiên, điều đó chỉ khả thi nếu giá trí tuệ trên mỗi tác vụ hữu ích của các phòng thí nghiệm trong nước tương đương với mô hình trọng số mở, mà hiện tại thì chưa phải vậy
Bảo vệ không phải là cứu trợ tài chính, mà là cung cấp năng lượng rẻ và phê duyệt trung tâm dữ liệu nhanh chóng. Ngoài ra, cần thiết lập các biện pháp an toàn tối thiểu để khách hàng chỉ sử dụng mô hình trọng số mở khi chúng được doanh nghiệp trong nước hosting trong nước; nếu không, khả năng cạnh tranh có thể dần suy giảm
Ngay cả @deanwball của OpenAI dường như cũng không chấp nhận lập luận về chưng cất: https://xcancel.com/deanwball/status/2078133895766114412#m
Cũng khó hiểu vì sao trọng số mở về bản chất làm chậm tiến bộ, và vì sao một thế giới xoay quanh mô hình mở lại tất yếu dẫn đến chủ nghĩa cộng sản AI hoàn toàn, nơi nhà nước cung cấp AI như hạ tầng công cộng số, cùng một viễn cảnh phản địa đàng
Nếu Anthropic có một mô hình như Mythos, thì rất có khả năng các đối thủ như Nga và Trung Quốc cũng đã phát triển thứ tương tự hoặc tốt hơn, hoặc không bị bỏ xa nhiều