myle.vnreview
Writer
Trong hai năm qua, cuộc đua trí tuệ nhân tạo khá dễ đánh giá: các mô hình ngày càng lớn, điểm đánh giá (benchmark) cao hơn và bất kỳ công ty nào cũng có thể tuyên bố dẫn đầu, ít nhất là cho đến khi sản phẩm tiếp theo ra mắt.
Khi các công ty chuyển từ việc thử nghiệm AI sang sử dụng chúng trong các sản phẩm và quy trình làm việc thực tế, vấn đề không còn là chọn ra mô hình tốt nhất, mà là chọn mô hình phù hợp nhất cho một công việc cụ thể với chi phí phù hợp, dữ liệu cần thiết và trong môi trường đã chọn.
Sự chuyển đổi đó đang mở ra cánh cửa cho một loại cạnh tranh AI mới, tập trung ít hơn vào kích thước mô hình và nhiều hơn vào định tuyến, chi phí, kiểm soát và tính toán.
“Chỉ riêng mô hình không còn là sản phẩm nữa,” Giám đốc điều hành của Perplexity, Aravind Srinivas, nói với CNBC. “Mô hình là hệ thống khung, hệ thống điều phối đặt mô hình vào bên trong một khung rất mạnh mẽ và kết hợp mô hình với nhiều công cụ.”
Điều đó có nghĩa là các sản phẩm AI đang trở thành những hệ thống có thể tự quyết định sử dụng mô hình nào, khi nào sử dụng và cần những công cụ bên ngoài hoặc nguồn dữ liệu nào của công ty. Một nhiệm vụ chăm sóc khách hàng có thể không cần đến mô hình đắt tiền nhất. Một vấn đề lập trình phức tạp thì có thể cần. Một quy trình làm việc nội bộ thông thường có thể chạy trên một mô hình mở rẻ hơn.
“Câu trả lời luôn là sử dụng bất cứ thứ gì tốt nhất cho nhiệm vụ đó,” Aravind Srinivas nói.
Sự xuất hiện của các mô hình thay thế diễn ra trong bối cảnh các tập đoàn Mỹ đang thắt chặt chi tiêu cho AI, và đặt ra một thách thức khác cho OpenAI và Anthropic, hai công ty đã phát triển mạnh trong vài năm qua bằng cách bán công nghệ tiên tiến nhất.
Tuần này, Perplexity đã giới thiệu trước một hệ thống mới cho sản phẩm sử dụng máy tính của mình được xây dựng dựa trên GLM 5.2, một mô hình mở từ Z.ai của Trung Quốc. Hệ thống này được thiết kế để cho phép một mô hình rẻ hơn xử lý phần lớn công việc trong khi chỉ gọi đến một mô hình mạnh hơn khi cần thiết.
Cách tiếp cận đó phản ánh một sự thay đổi rộng hơn trên thị trường. Các mô hình mở, có thể được tải xuống, tinh chỉnh và chạy bởi chính các công ty, đang được chú ý hơn. Chúng cũng có chi phí vận hành thấp hơn so với các mô hình độc quyền cao cấp từ các phòng thí nghiệm AI lớn nhất.
Đối tác quản lý của Benchmark, Peter Fenton, cho biết sự thay đổi này có thể rất mạnh mẽ.
“Một quan điểm có thể trái chiều nhưng đang trở thành sự đồng thuận là niềm tin của chúng tôi rằng hơn 90% số token được tạo ra sẽ đến từ các mô hình trọng số mở trong 18 đến 24 tháng tới, thậm chí có thể vào cuối năm nay,” Peter Fenton nói với CNBC.
Token là đơn vị dữ liệu mà các mô hình AI xử lý và tạo ra.
“Tôi nghĩ rằng biên lợi nhuận suy luận được tạo ra bởi các công ty mô hình tiên phong sẽ chịu áp lực khi bạn có thể chạy chúng mà không cần mức giá cao mà họ đang cung cấp, khi bạn có các mô hình đủ tốt từ trọng số mở,” Peter Fenton nói.
Peter Fenton cho biết việc chuyển sang các mô hình mở không chỉ là để tiết kiệm tiền. Trong một số trường hợp, các mô hình nhỏ hơn được tinh chỉnh cho một nhiệm vụ cụ thể có thể nhanh hơn và hoạt động tốt hơn so với các mô hình đa năng lớn hơn.
“Nó chạy ở đâu và nó chạy như thế nào”
Đó là một trong những lý do Benchmark đầu tư vào Ollama, một công ty giúp các nhà phát triển và doanh nghiệp dễ dàng tải xuống, chạy và quản lý các mô hình mã nguồn mở.
“Một điều là mô hình đó đến từ đâu, được tạo ra và huấn luyện ở đâu,” Giám đốc điều hành của Ollama, Jeff Morgan, cho biết. “Nhưng điều quan trọng hơn đối với các doanh nghiệp mà chúng tôi đang nói chuyện là nó chạy ở đâu và nó chạy như thế nào.”
Morgan cho biết Ollama đã được hơn 85% các công ty trong danh sách Fortune 500 áp dụng, bao gồm cả các công ty trong các ngành được quản lý chặt chẽ như hàng không, bảo hiểm và chăm sóc sức khỏe. Ông cho biết nhiều công ty bắt đầu với các mô hình nhỏ hơn chạy gần với dữ liệu của riêng họ, sau đó mở rộng sang các mô hình mã nguồn mở lớn hơn khi họ cảm thấy thoải mái hơn.
Sự trỗi dậy của các mô hình mã nguồn mở cũng tạo ra một thách thức chiến lược cho Hoa Kỳ. Nhiều mô hình mã nguồn mở cạnh tranh nhất đến từ các phòng thí nghiệm của Trung Quốc, bao gồm Z.ai và DeepSeek. Điều đó đã biến trí tuệ nhân tạo mã nguồn mở thành một vấn đề kinh doanh, một vấn đề chính sách và một vấn đề cạnh tranh quốc gia.
Ông Srinivas cho rằng Mỹ nên ủng hộ các mô hình mở vì chúng giúp trí tuệ nhân tạo (AI) trở nên dễ tiếp cận và có giá cả phải chăng hơn.
“Nếu bạn muốn lợi ích của AI được phân bổ rộng rãi đến các doanh nghiệp nhỏ ở Mỹ và các nước đồng minh của Mỹ, thì bạn thực sự cần AI phải có giá cả phải chăng hơn nhiều,” ông Srinivas nói. “Và mã nguồn mở là cách duy nhất để làm được điều đó.”
Sự thay đổi này cũng có thể ảnh hưởng đến việc xây dựng các trung tâm dữ liệu khổng lồ đang diễn ra trong ngành công nghệ. Sự bùng nổ AI hiện nay dựa trên giả định rằng nhu cầu sẽ tiếp tục đổ dồn vào các trung tâm dữ liệu đám mây lớn chứa đầy các chip cao cấp. Srinivas cho rằng một số công việc AI cuối cùng có thể được thực hiện cục bộ, trên các thiết bị thuộc sở hữu của người tiêu dùng hoặc doanh nghiệp.
Điều đó sẽ không loại bỏ nhu cầu về các trung tâm dữ liệu, nhưng nó có thể tạo ra một hệ thống AI lai hơn, với các tác vụ thường xuyên được thực hiện cục bộ và các công việc khó khăn nhất được gửi đến một mô hình mạnh mẽ hơn trên đám mây.
Đối với các nhà đầu tư, câu hỏi đặt ra là liệu các phòng thí nghiệm AI lớn nhất có thể duy trì sức mạnh định giá của họ khi các mô hình mở ngày càng tốt hơn và các công ty trở nên chọn lọc hơn về những gì họ sử dụng hay không.
Khi các công ty chuyển từ việc thử nghiệm AI sang sử dụng chúng trong các sản phẩm và quy trình làm việc thực tế, vấn đề không còn là chọn ra mô hình tốt nhất, mà là chọn mô hình phù hợp nhất cho một công việc cụ thể với chi phí phù hợp, dữ liệu cần thiết và trong môi trường đã chọn.
Sự chuyển đổi đó đang mở ra cánh cửa cho một loại cạnh tranh AI mới, tập trung ít hơn vào kích thước mô hình và nhiều hơn vào định tuyến, chi phí, kiểm soát và tính toán.
“Chỉ riêng mô hình không còn là sản phẩm nữa,” Giám đốc điều hành của Perplexity, Aravind Srinivas, nói với CNBC. “Mô hình là hệ thống khung, hệ thống điều phối đặt mô hình vào bên trong một khung rất mạnh mẽ và kết hợp mô hình với nhiều công cụ.”
Điều đó có nghĩa là các sản phẩm AI đang trở thành những hệ thống có thể tự quyết định sử dụng mô hình nào, khi nào sử dụng và cần những công cụ bên ngoài hoặc nguồn dữ liệu nào của công ty. Một nhiệm vụ chăm sóc khách hàng có thể không cần đến mô hình đắt tiền nhất. Một vấn đề lập trình phức tạp thì có thể cần. Một quy trình làm việc nội bộ thông thường có thể chạy trên một mô hình mở rẻ hơn.
“Câu trả lời luôn là sử dụng bất cứ thứ gì tốt nhất cho nhiệm vụ đó,” Aravind Srinivas nói.
Sự xuất hiện của các mô hình thay thế diễn ra trong bối cảnh các tập đoàn Mỹ đang thắt chặt chi tiêu cho AI, và đặt ra một thách thức khác cho OpenAI và Anthropic, hai công ty đã phát triển mạnh trong vài năm qua bằng cách bán công nghệ tiên tiến nhất.
Tuần này, Perplexity đã giới thiệu trước một hệ thống mới cho sản phẩm sử dụng máy tính của mình được xây dựng dựa trên GLM 5.2, một mô hình mở từ Z.ai của Trung Quốc. Hệ thống này được thiết kế để cho phép một mô hình rẻ hơn xử lý phần lớn công việc trong khi chỉ gọi đến một mô hình mạnh hơn khi cần thiết.
Cách tiếp cận đó phản ánh một sự thay đổi rộng hơn trên thị trường. Các mô hình mở, có thể được tải xuống, tinh chỉnh và chạy bởi chính các công ty, đang được chú ý hơn. Chúng cũng có chi phí vận hành thấp hơn so với các mô hình độc quyền cao cấp từ các phòng thí nghiệm AI lớn nhất.
Đối tác quản lý của Benchmark, Peter Fenton, cho biết sự thay đổi này có thể rất mạnh mẽ.
“Một quan điểm có thể trái chiều nhưng đang trở thành sự đồng thuận là niềm tin của chúng tôi rằng hơn 90% số token được tạo ra sẽ đến từ các mô hình trọng số mở trong 18 đến 24 tháng tới, thậm chí có thể vào cuối năm nay,” Peter Fenton nói với CNBC.
Token là đơn vị dữ liệu mà các mô hình AI xử lý và tạo ra.
“Tôi nghĩ rằng biên lợi nhuận suy luận được tạo ra bởi các công ty mô hình tiên phong sẽ chịu áp lực khi bạn có thể chạy chúng mà không cần mức giá cao mà họ đang cung cấp, khi bạn có các mô hình đủ tốt từ trọng số mở,” Peter Fenton nói.
Peter Fenton cho biết việc chuyển sang các mô hình mở không chỉ là để tiết kiệm tiền. Trong một số trường hợp, các mô hình nhỏ hơn được tinh chỉnh cho một nhiệm vụ cụ thể có thể nhanh hơn và hoạt động tốt hơn so với các mô hình đa năng lớn hơn.
“Nó chạy ở đâu và nó chạy như thế nào”
Đó là một trong những lý do Benchmark đầu tư vào Ollama, một công ty giúp các nhà phát triển và doanh nghiệp dễ dàng tải xuống, chạy và quản lý các mô hình mã nguồn mở.
“Một điều là mô hình đó đến từ đâu, được tạo ra và huấn luyện ở đâu,” Giám đốc điều hành của Ollama, Jeff Morgan, cho biết. “Nhưng điều quan trọng hơn đối với các doanh nghiệp mà chúng tôi đang nói chuyện là nó chạy ở đâu và nó chạy như thế nào.”
Morgan cho biết Ollama đã được hơn 85% các công ty trong danh sách Fortune 500 áp dụng, bao gồm cả các công ty trong các ngành được quản lý chặt chẽ như hàng không, bảo hiểm và chăm sóc sức khỏe. Ông cho biết nhiều công ty bắt đầu với các mô hình nhỏ hơn chạy gần với dữ liệu của riêng họ, sau đó mở rộng sang các mô hình mã nguồn mở lớn hơn khi họ cảm thấy thoải mái hơn.
Sự trỗi dậy của các mô hình mã nguồn mở cũng tạo ra một thách thức chiến lược cho Hoa Kỳ. Nhiều mô hình mã nguồn mở cạnh tranh nhất đến từ các phòng thí nghiệm của Trung Quốc, bao gồm Z.ai và DeepSeek. Điều đó đã biến trí tuệ nhân tạo mã nguồn mở thành một vấn đề kinh doanh, một vấn đề chính sách và một vấn đề cạnh tranh quốc gia.
Ông Srinivas cho rằng Mỹ nên ủng hộ các mô hình mở vì chúng giúp trí tuệ nhân tạo (AI) trở nên dễ tiếp cận và có giá cả phải chăng hơn.
“Nếu bạn muốn lợi ích của AI được phân bổ rộng rãi đến các doanh nghiệp nhỏ ở Mỹ và các nước đồng minh của Mỹ, thì bạn thực sự cần AI phải có giá cả phải chăng hơn nhiều,” ông Srinivas nói. “Và mã nguồn mở là cách duy nhất để làm được điều đó.”
Sự thay đổi này cũng có thể ảnh hưởng đến việc xây dựng các trung tâm dữ liệu khổng lồ đang diễn ra trong ngành công nghệ. Sự bùng nổ AI hiện nay dựa trên giả định rằng nhu cầu sẽ tiếp tục đổ dồn vào các trung tâm dữ liệu đám mây lớn chứa đầy các chip cao cấp. Srinivas cho rằng một số công việc AI cuối cùng có thể được thực hiện cục bộ, trên các thiết bị thuộc sở hữu của người tiêu dùng hoặc doanh nghiệp.
Điều đó sẽ không loại bỏ nhu cầu về các trung tâm dữ liệu, nhưng nó có thể tạo ra một hệ thống AI lai hơn, với các tác vụ thường xuyên được thực hiện cục bộ và các công việc khó khăn nhất được gửi đến một mô hình mạnh mẽ hơn trên đám mây.
Đối với các nhà đầu tư, câu hỏi đặt ra là liệu các phòng thí nghiệm AI lớn nhất có thể duy trì sức mạnh định giá của họ khi các mô hình mở ngày càng tốt hơn và các công ty trở nên chọn lọc hơn về những gì họ sử dụng hay không.
