Chỉ trong vài tuần, thị trường công nghệ đã chứng kiến hàng loạt mô hình AI mới xuất hiện. Chu kỳ phát hành ngày càng ngắn, các mô hình ngày càng đa dạng và chi phí sử dụng nhiều loại AI giảm nhanh.
Với người dùng, tốc độ đó dễ tạo cảm giác “bội thực AI”. Một mô hình vừa được xem là tiên tiến nhất có thể nhanh chóng nhường chỗ cho một cái tên mới. OpenAI liên tục cập nhật dòng GPT, Google mở rộng Gemini với nhiều biến thể, trong khi Anthropic, DeepSeek, Meta, Alibaba, Mistral và Moonshot AI cũng không ngừng đưa sản phẩm mới ra thị trường.
Nhưng đằng sau “sự hỗn loạn” ấy đang diễn ra một thay đổi quan trọng. Cuộc đua AI không còn đơn thuần là cuộc đua tìm ra mô hình thông minh nhất. Nó ngày càng trở thành cuộc đua về chi phí, tốc độ, hiệu quả tính toán, khả năng triển khai và hệ sinh thái.
Vì thế, câu hỏi đáng đặt ra không hẳn là thế giới có cần hàng trăm mô hình AI hay không, mà là tại sao các công ty sẵn sàng chi hàng trăm tỷ USD để chạy trong một cuộc đua mà rất nhiều sản phẩm có thể nhanh chóng bị thay thế.
Không ai dám đứng yên
Tốc độ phát triển của AI đang làm thay đổi khái niệm về một “chu kỳ sản phẩm”.
Trong ngành công nghệ truyền thống, một nền tảng lớn hoặc sản phẩm phần cứng mới có thể mất nhiều năm để phát triển. Với AI, vài tháng đôi khi đã đủ để một thế hệ công nghệ bị xem là cũ.
Một phân tích về ba phòng thí nghiệm AI lớn gồm Google, OpenAI và Anthropic cho thấy khoảng cách trung bình giữa các lần ra mắt mô hình lớn trong sáu tháng gần đây chỉ còn khoảng 50 ngày, so với khoảng 130 ngày trong giai đoạn ba năm trước. Riêng Google có chu kỳ trung bình khoảng 39 ngày, OpenAI 43 ngày và Anthropic 68 ngày.
Đằng sau tốc độ đó là áp lực cạnh tranh. Trong một thị trường mà năng lực AI thay đổi từng tháng, việc không công bố sản phẩm mới cũng có thể trở thành một tín hiệu tiêu cực. Nếu một phòng thí nghiệm lớn im lặng quá lâu, nhà đầu tư có thể đặt câu hỏi liệu đối thủ đã vượt qua hay chưa. Người dùng và nhà phát triển cũng có thể bắt đầu thử nghiệm nền tảng khác.
AI vì thế ngày càng giống một cuộc đua Công thức 1. Các đội không chờ đến khi chiếc xe cũ “hết vòng đời” mới nâng cấp. Họ liên tục điều chỉnh động cơ, khí động học và chiến thuật để không bị bỏ lại.
Vì sao cần nhiều mô hình?
Một trong những thay đổi lớn nhất của thị trường AI là sự phân khúc hóa. Một mô hình có thể được tối ưu cho suy luận phức tạp. Một mô hình khác chuyên lập trình. Một mô hình ưu tiên tác vụ của AI agent. Một mô hình khác được thiết kế để phản hồi nhanh với chi phí thấp. Và ngày càng nhiều mô hình được thu nhỏ để có thể chạy trực tiếp trên điện thoại, máy tính cá nhân hoặc các thiết bị biên, chẳng hạn như việc Alibaba ra mắt Qwen3.8-27B chạy trực tiếp trên thiết bị biên đầu tuần này.
Điều này có logic kinh tế rất rõ. Một ngân hàng xử lý hàng triệu yêu cầu khách hàng mỗi ngày không nhất thiết cần mô hình mạnh nhất thế giới. Một hệ thống đọc hóa đơn cũng không cần sử dụng cùng loại mô hình với một AI giải toán hay nghiên cứu khoa học. Nếu một mô hình nhỏ có thể hoàn thành một nhiệm vụ với 95% năng lực của mô hình lớn nhưng chỉ tốn một phần nhỏ chi phí, mô hình nhỏ có thể là lựa chọn tốt hơn.
Dữ liệu của Stanford AI Index cho thấy xu hướng này đang diễn ra rất nhanh. Năm 2022, mô hình nhỏ nhất vượt ngưỡng 60% trên bài kiểm tra MMLU là PaLM với 540 tỷ tham số. Đến năm 2024, Phi-3-mini của Microsoft, chỉ có 3,8 tỷ tham số, đã đạt cùng ngưỡng. Đó là mức giảm kích thước khoảng 142 lần chỉ trong hơn hai năm.
Vì vậy, việc thị trường có ngày càng nhiều mô hình không nhất thiết phản ánh sự dư thừa. Nó có thể phản ánh một ngành công nghiệp đang tìm cách đưa AI vào ngày càng nhiều loại thiết bị, phần mềm và quy trình khác nhau. Giống như ngành ô tô không cố tạo ra một chiếc xe duy nhất cho mọi nhu cầu, AI cũng có thể không tiến tới một mô hình duy nhất thống trị tất cả.
Cuộc chiến thật sự nằm ở chi phí
Nếu có một xu hướng quan trọng hơn cả số lượng mô hình, đó là chi phí sử dụng AI đang giảm với tốc độ đặc biệt nhanh.
Theo Stanford AI Index, chi phí truy vấn một mô hình đạt năng lực tương đương GPT-3.5 trên bài kiểm tra MMLU đã giảm từ 20 USD xuống 0,07 USD cho mỗi triệu token, từ tháng 11/2022 đến tháng 10/2024 — tức giảm hơn 280 lần trong khoảng 18 tháng. Tùy tác vụ, giá suy luận của các mô hình ngôn ngữ lớn đã giảm từ 9 đến 900 lần mỗi năm.
Đây mới là phần có ý nghĩa kinh tế sâu sắc nhất của cuộc đua mô hình. Một công ty có thể sẵn sàng trả thêm cho mô hình tốt nhất khi xử lý một nhiệm vụ quan trọng. Nhưng nếu phải thực hiện hàng trăm triệu hoặc hàng tỷ lượt suy luận, chênh lệch vài USD trên mỗi triệu token có thể trở thành một khoản tiền khổng lồ.
Vì vậy, doanh nghiệp sẽ bắt đầu đặt những câu hỏi khác: Mô hình này cần bao nhiêu năng lực tính toán? Nó phản hồi nhanh đến đâu? Có thể chạy ở đâu? Chi phí cho mỗi tác vụ là bao nhiêu? Có cần mô hình lớn nhất không?
Nói cách khác, ngành AI không chỉ cố tạo ra những bộ não lớn hơn. Nó đang cố tạo ra những bộ não có chi phí vận hành thấp hơn.
Trung Quốc khiến cuộc đua không thể giảm tốc
Nếu những năm đầu của AI tạo sinh chủ yếu được nhìn qua cuộc cạnh tranh giữa các công ty Mỹ, thì năm 2026 đã là một câu chuyện khác.
DeepSeek, Alibaba với Qwen, Z.ai với GLM và Moonshot AI với Kimi đang tạo ra một lớp đối thủ mới. CSIS nhận định các mô hình Trung Quốc hiện đã đủ năng lực cạnh tranh với các mô hình Mỹ trong nhiều tác vụ thực tế; một số mô hình mới nhất của Trung Quốc chỉ còn cách các hệ thống hàng đầu của Mỹ vài tháng về năng lực.
Điều đáng chú ý là Trung Quốc không chỉ cạnh tranh về năng lực. Các phòng thí nghiệm Trung Quốc còn sử dụng giá thấp và mô hình mở trọng số để nhanh chóng mở rộng cộng đồng nhà phát triển.
“Công ty nào có thể cung cấp các mô hình mở trọng số mạnh nhất sẽ vươn lên dẫn đầu trong cuộc đua này,” Neil Shah, đồng sáng lập Counterpoint Research, nói với CNBC nhân dịp Alibaba của Trung Quốc đầu tuần này ra mắt Qwen3.8-27B.
“Alibaba đặt mục tiêu trở thành người dẫn đầu không thể tranh cãi, vượt qua Meta và hướng tới thị trường toàn cầu, trở thành một lựa chọn thay thế mạnh cho các mô hình AI tiên tiến có khả năng triển khai của Thung lũng Silicon,” Neil Shah nói.
CSIS cho rằng các mô hình Trung Quốc thường có lợi thế đáng kể về chi phí sử dụng, trong khi chiến lược open-weight giúp chúng dễ được triển khai và tùy biến hơn. Đây là điểm khiến cuộc đua AI trở nên khó giảm tốc.
Nếu một công ty Mỹ quyết định chậm lại để tối ưu lợi nhuận, đối thủ có thể tận dụng khoảng trống để giành người dùng, nhà phát triển hoặc khách hàng doanh nghiệp.
Và cuộc cạnh tranh cũng không còn chỉ diễn ra ở cấp độ công ty. Nó đang chuyển thành cuộc cạnh tranh giữa các hệ sinh thái AI: mô hình, chip, cloud, trung tâm dữ liệu, nhà phát triển, API và người dùng.
Hàng trăm tỷ USD đang được đổ vào đâu?
Các công ty công nghệ lớn đang chi những khoản tiền chưa từng có cho GPU, trung tâm dữ liệu, mạng lưới, hệ thống làm mát và nguồn điện.
Theo McKinsey, bốn hyperscaler Amazon, Google, Meta và Microsoft dự kiến cùng cam kết hơn 700 tỷ USD chi tiêu vốn trong năm 2026, trong đó phần lớn dành cho hạ tầng AI. Khoản đầu tư bao gồm xây dựng trung tâm dữ liệu và mở rộng mạng lưới. Con số này lớn hơn rất nhiều so với chi phí tạo ra một mô hình riêng lẻ. Đó là lý do cần phân biệt giữa “cuộc đua mô hình” và “cuộc đua hạ tầng”.
Một mô hình mới có thể bị thay thế sau vài tháng. Nhưng GPU đã mua, trung tâm dữ liệu đã xây, đường truyền đã triển khai và nguồn điện đã được đầu tư không biến mất cùng mô hình đó. Điều này giải thích tại sao các hãng công nghệ vẫn tiếp tục đầu tư ngay cả khi chưa chắc mô hình nào sẽ trở thành người chiến thắng cuối cùng.
Một phần của cuộc đua chắc chắn sẽ tạo ra lãng phí. Sẽ có những mô hình không có người dùng, startup thất bại, chip trở nên lỗi thời và trung tâm dữ liệu được xây dựng dựa trên những dự báo quá lạc quan. Nhưng xem toàn bộ khoản đầu tư là lãng phí cũng bỏ qua một quy luật quen thuộc của lịch sử công nghệ.
Đầu thế kỷ XX là cuộc bùng nổ ngành ô tô, và những năm 1990 là bong bóng internet. Trong mỗi giai đoạn, vốn đều được đổ vào những dự án mà sau này không ít trong số chúng không tồn tại. Hàng nghìn doanh nghiệp thất bại, và nhà đầu tư mất tiền. Nhưng cơ sở hạ tầng được xây dựng trong quá trình đó lại trở thành nền tảng cho giai đoạn tiếp theo.
AI có thể đi theo một con đường tương tự: một mô hình có thể biến mất, một startup có thể phá sản, một phòng thí nghiệm có thể bị mua lại. Tuy nhiên, năng lực tính toán, dữ liệu, phần mềm, mạng lưới điện, trung tâm dữ liệu và kinh nghiệm được tích lũy trong quá trình đó vẫn còn.
Vấn đề vì thế không phải là có lãng phí hay không, mà là mức lãng phí đó có tạo ra đủ tiến bộ để biện minh cho nó hay không.
Mô hình lớn nhất chưa chắc là người thắng
Một trong những tín hiệu đáng chú ý nhất của thị trường AI hiện nay là năng lực đang được “nén” xuống những mô hình ngày càng nhỏ.
Phi-3-mini là một ví dụ. Từ một mô hình 540 tỷ tham số xuống một mô hình 3,8 tỷ tham số để đạt cùng một ngưỡng trên một benchmark không có nghĩa hai hệ thống hoàn toàn tương đương. Nhưng nó cho thấy một xu hướng quan trọng: năng lực AI đang trở nên ít phụ thuộc hơn vào quy mô thuần túy.
Điều này mở ra một thị trường hoàn toàn khác: AI có thể chạy trên điện thoại thay vì luôn phải kết nối trung tâm dữ liệu; nó có thể nằm trong ô tô, robot, camera, máy tính cá nhân hoặc dây chuyền sản xuất. Khi đó, hàng trăm hay hàng nghìn mô hình chuyên biệt không còn là một điều vô lý.
Một mô hình có thể được thiết kế cho lập trình viên. Một mô hình cho bệnh viện. Một mô hình cho robot. Một mô hình cho xe tự hành. Một mô hình cho doanh nghiệp. Một mô hình khác cho thiết bị cá nhân.
Thị trường AI có thể không tiến tới một “siêu mô hình” duy nhất, mà tới một hệ sinh thái của những mô hình phù hợp với từng bài toán.
Cuộc đua cuối cùng có thể không còn là cuộc đua mô hình
Đây có lẽ là thay đổi quan trọng nhất.
Trong giai đoạn đầu của AI tạo sinh, câu hỏi hấp dẫn nhất là GPT, Gemini hay Claude thông minh hơn? Nhưng khi khoảng cách giữa các mô hình thu hẹp, câu hỏi bắt đầu chuyển sang những thứ rất thực dụng:
API nào tốt hơn? Giá nào thấp hơn? Hệ thống nào ổn định hơn? Mô hình nào dễ triển khai? Công cụ nào tốt hơn cho nhà phát triển? Hệ sinh thái doanh nghiệp nào mạnh hơn?
Thậm chí, trong nhiều trường hợp, khách hàng có thể không cần biết mô hình phía sau là gì. Họ chỉ cần biết hệ thống có giúp nhân viên xử lý công việc nhanh hơn không, có giảm chi phí không và có tạo thêm doanh thu không.
Doanh nghiệp sẽ không nhất thiết mua “GPT” hay “Gemini”. Họ mua một hệ thống giúp tự động hóa chăm sóc khách hàng, phân tích tài liệu, viết phần mềm, quản lý chuỗi cung ứng hoặc vận hành robot. Giá trị cuối cùng nằm ở sản phẩm được xây dựng trên mô hình, không chỉ ở bản thân mô hình.
Bội thực hôm nay, bình thường ngày mai?
Cảm giác “bội thực AI” vì thế là có thật.
Tốc độ phát hành đã vượt xa khả năng theo dõi của phần lớn người dùng. Một người có thể vừa hiểu được một mô hình thì phiên bản mới đã xuất hiện. Các bảng xếp hạng liên tục thay đổi. Những cái tên từng được xem là đột phá nhanh chóng trở thành tiêu chuẩn rồi bị thay thế.
Nhưng nhìn từ góc độ kinh tế công nghệ, sự hỗn loạn đó có thể có một chức năng. Nó tạo áp lực để các công ty giảm chi phí, tăng hiệu năng, thu nhỏ mô hình và mở rộng khả năng triển khai.
Dữ liệu Stanford cho thấy chi phí suy luận đã giảm hơn 280 lần trong khoảng 18 tháng trên một thước đo cụ thể. Đồng thời, những mô hình nhỏ hơn rất nhiều đang đạt những mức năng lực mà trước đây chỉ những hệ thống khổng lồ mới đạt được. Đó là yếu tố tích cực của cuộc chạy đua.
Phần tiêu cực là không phải khoản đầu tư nào cũng tạo ra giá trị. Sẽ có những tỷ USD bị mất. Sẽ có những mô hình không ai sử dụng và những trung tâm dữ liệu được xây dựng quá sớm.
Nhưng nếu lịch sử công nghệ là một chỉ dẫn, sự lãng phí ở giai đoạn đầu không nhất thiết đồng nghĩa với thất bại của cả ngành. Cuối cùng, thị trường sẽ loại bỏ những mô hình không hiệu quả và giữ lại những công nghệ có khả năng tạo giá trị.
Câu hỏi quan trọng nhất của cuộc đua AI đang thay đổi không còn là công ty nào có mô hình thông minh nhất, mà là công ty nào biến năng lực AI thành giá trị thực với chi phí thấp nhất.
Đó là một cuộc đua khó hơn nhiều. Bởi lợi thế không còn chỉ nằm trong phòng thí nghiệm. Nó nằm ở chip, điện, trung tâm dữ liệu, thuật toán, mô hình, phần mềm, nhà phát triển và hàng triệu doanh nghiệp sử dụng công nghệ. Trong cuộc đua ấy, hàng tỷ USD chắc chắn sẽ bị tiêu tốn.
Nhưng nếu những khoản đầu tư đó đồng thời làm AI rẻ hơn, nhỏ hơn, nhanh hơn và phổ biến hơn, thì thứ bị mất đi không nhất thiết là tiền vô ích. Đó chính là chi phí để biến AI từ một công nghệ đắt đỏ của các phòng thí nghiệm thành một hạ tầng công nghệ phổ thông.
Và khi điều đó xảy ra, “bội thực AI” hôm nay có thể chỉ đơn giản là dấu hiệu cho thấy một công nghệ đang bước vào giai đoạn trưởng thành với tốc độ chưa từng có.
Tài liệu tham khảo:
https://www.ajupress.com/view/20260505170070314
https://www.theverge.com/podcast/979370/google-deepmind-ai-race-lose-jeff-dean-demis-hassabis
https://www.mckinsey.com/industries/semiconductors/our-insights/frontiers-of-compute-the-technologies-to-reduce-ai-inference-costs
https://hai.stanford.edu/ai-index/2025-ai-index-report/research-and-development
https://www.csis.org/analysis/what-know-about-chinese-ai-models
https://www.gartner.com/en/newsroom/press-releases/2026-03-25-gartner-predicts-that-by-2030-performing-inference-on-an-llm-with-1-trillion-parameters-will-cost-genai-providers-over-90-percent-less-than-in-2025
Logo OpenAI trong hình minh họa. Ảnh: Reuters
Biểu tượng ứng dụng Gemini trên một chiếc điện thoại thông minh trong hình minh họa. Ảnh: Reuters
Logo DeepSeek cùng dòng chữ “Artificial Intelligence AI” trong hình minh họa. Ảnh: Reuters
Một người đàn ông đi ngang qua logo Alibaba được trưng bày tại gian hàng của hãng trong Triển lãm Chuỗi cung ứng Quốc tế Trung Quốc ở Bắc Kinh, Trung Quốc. Ảnh: Reuters
