Phần I: Kinh tế học của Trí tuệ
Tại sao ngành công nghiệp AI sắp tối ưu hóa theo trí tuệ trên mỗi đô la thay vì bản thân trí tuệ
Tôi ngày càng tin rằng ngành công nghiệp trí tuệ nhân tạo đang tiến đến một trong những điểm uốn kinh tế quan trọng nhất kể từ khi ChatGPT ra mắt, nhưng phần lớn các nhà đầu tư vẫn tập trung vào một biến số – dù chắc chắn quan trọng hôm nay – nhưng cuối cùng có thể chứng minh là ít giá trị hơn nhiều so với những gì thị trường đang giả định. Cuộc trò chuyện chủ đạo vẫn xoay quanh việc công ty nào sở hữu mô hình thông minh nhất, phòng thí nghiệm tiên phong nào dẫn đầu bảng xếp hạng mới nhất, mô hình suy luận nào đạt điểm cao nhất trong các bài đánh giá học thuật ngày càng xa lạ, và công ty AI nào tạm thời giành vị trí dẫn đầu trên bảng xếp hạng luôn thay đổi của ngành. Trong khi những cuộc thảo luận đó chắc chắn thu hút các tiêu đề, tôi tin rằng chúng có nguy cơ bỏ lỡ một chuyển đổi kinh tế lớn hơn nhiều đang âm thầm diễn ra bên dưới bề mặt, bởi vì biến số cuối cùng quyết định lợi nhuận dồn về đâu trong hệ sinh thái AI không phải là bản thân trí tuệ, mà là lượng trí tuệ được phân phối cho mỗi đô la chi tiêu.
Có lẽ cách đơn giản nhất để hiểu sự chuyển đổi này là thông qua một phép loại suy mà tôi thường nghĩ đến bất cứ khi nào nghĩ về việc doanh nghiệp áp dụng AI. Khi một công ty cần người đối chiếu sổ sách, lập báo cáo tài chính, hay xử lý hóa đơn, họ không tuyển một tiến sĩ toán học thuần túy – không phải vì người đó thiếu khả năng thực hiện công việc, mà chính xác là vì họ sở hữu năng lực vượt xa những gì công việc yêu cầu về mặt kinh tế. Giá trị tạo ra từ việc ghi sổ kế toán chính xác về cơ bản là có giới hạn. Một khi sổ sách đã đúng, hầu như không có lợi ích tăng thêm nào từ việc sử dụng nhiều trí tuệ hơn đáng kể, bất kể trí tuệ đó xuất sắc đến đâu. Do đó, các tổ chức hợp lý tối ưu hóa dựa trên kinh tế học thay vì năng lực, thuê người ít tốn kém nhất có thể liên tục tạo ra sản phẩm đáp ứng tiêu chuẩn chất lượng yêu cầu, đồng thời triển khai nguồn nhân tài trí tuệ khan hiếm cho những vấn đề mà trí tuệ bổ sung thực sự tạo ra giá trị gia tăng.
Tuy nhiên, kinh tế học thay đổi hoàn toàn khi bản thân vấn đề thay đổi. Nếu mục tiêu là khám phá một phương pháp điều trị đột phá cho Alzheimer, phát triển một kiến trúc bán dẫn cách mạng, hay giải quyết một trong những câu hỏi khoa học khó nhất đối với nhân loại, thì bỗng nhiên chi phí thuê những nhà nghiên cứu xuất sắc nhất thế giới trở nên gần như không đáng kể so với giá trị kinh tế tiềm năng được tạo ra từ thành công. Một bước đột phá duy nhất có thể tạo ra hàng chục hoặc thậm chí hàng trăm tỷ đô la giá trị, khiến tiền lương của một số ít nhà khoa học ưu tú gần như vô nghĩa trong tổng thể kinh tế của dự án. Trong những tình huống này, bản thân trí tuệ trở thành nguồn lực khan hiếm, và việc tối đa hóa năng lực thay vì giảm thiểu chi phí trở thành quyết định kinh tế hợp lý.
Tôi tin rằng trí tuệ nhân tạo hiện đang tiến gần đến sự phân nhánh chính xác này. Trong suốt hai năm qua, các doanh nghiệp hầu như mặc định sử dụng các mô hình tiên phong cho hầu hết mọi tác vụ có thể tưởng tượng, từ tóm tắt email, trích xuất thông tin từ hóa đơn, phân loại vé hỗ trợ khách hàng, dịch tài liệu, soạn thảo ghi chú cuộc họp, tạo mã phần mềm thông thường, cho đến tìm kiếm cơ sở tri thức nội bộ – phần lớn là vì ngành công nghiệp chỉ mới vượt qua ngưỡng mà các mô hình ngôn ngữ lớn trở nên hữu ích rộng rãi cho công việc tri thức. Khi một công nghệ lần đầu tiên khả thi về mặt thương mại, các tổ chức một cách tự nhiên tìm đến giải pháp hiệu suất cao nhất hiện có bởi vì họ vẫn đang cố gắng trả lời một câu hỏi cơ bản hơn nhiều, đó là liệu công nghệ có hoạt động hay không, và việc tối ưu hóa chi phí vẫn là thứ yếu trong khi các doanh nghiệp đang xác thực năng lực.
Tuy nhiên, hành vi đó khó có thể đại diện cho một trạng thái cân bằng ổn định, bởi vì các chương trình thử nghiệm chắc chắn trở thành hệ thống sản xuất, và kinh tế học sản xuất cuối cùng chi phối kinh tế học công nghệ. Chúng ta đã bắt đầu quan sát thấy sự chuyển đổi đó diễn ra trong các triển khai AI doanh nghiệp, khi các tổ chức phát hiện ra rằng thách thức không còn là xác định AI có tạo ra giá trị hay không, mà là xác định liệu nó có tạo ra đủ giá trị so với chi phí đang mở rộng nhanh chóng liên quan đến việc triển khai nó ở quy mô lớn hay không. Một khi các bộ phận tài chính bắt đầu soi xét ngân sách AI với cùng kỷ luật áp dụng cho mọi khoản đầu tư công nghệ doanh nghiệp khác, quá trình tối ưu hóa chắc chắn chuyển từ việc tối đa hóa trí tuệ sang tối đa hóa trí tuệ trên mỗi đô la chi tiêu.
Tốc độ đáng kinh ngạc mà chi phí suy luận tiếp tục sụp đổ càng thúc đẩy sự chuyển đổi đó. Chỉ số AI của Stanford ước tính chi phí phân phối hiệu suất ngang GPT-3.5 đã giảm hơn 280 lần từ cuối năm 2022 đến cuối năm 2024, trong khi Andreessen Horowitz kết luận rằng việc duy trì một mức năng lực mô hình cố định trở nên rẻ hơn khoảng mười lần mỗi năm, và Epoch AI đưa ra kết luận tương tự trên nhiều điểm chuẩn suy luận, cho thấy những năng lực đang được định giá cao ngày nay nhanh chóng trở thành hàng hóa vào ngày mai. Ngay cả Giám đốc Tài chính của OpenAI, Sarah Friar, gần đây cũng nhận xét rằng chi phí suy luận giữa GPT-4 và thế hệ mô hình mới nhất của công ty đã giảm khoảng 97% chỉ trong vòng hai năm, minh họa cho thấy động lực giảm phát của ngành đã trở nên phi thường như thế nào. Mặc dù mỗi tổ chức đo lường các xu hướng này hơi khác nhau, nhưng tất cả đều hội tụ về cùng một kết luận cơ bản, đó là trí tuệ đang trở nên rẻ hơn đáng kể với tốc độ hiếm thấy ở bất kỳ nơi nào khác trong công nghệ hiện đại.
Cùng lúc chi phí suy luận tiếp tục sụp đổ, các doanh nghiệp bắt đầu gặp phải một thách thức hoàn toàn khác, một thách thức cuối cùng có thể chứng minh là thậm chí còn quan trọng hơn. Các công ty ngày càng phát hiện ra rằng ngân sách AI mà họ ban đầu dự kiến kéo dài cả năm tài chính đang cạn kiệt chỉ trong vài tháng khi mức sử dụng mở rộng nhanh hơn nhiều so với dự kiến ban đầu. Sam Altman gần đây nhận xét rằng khách hàng doanh nghiệp ngày càng nói với OpenAI rằng họ thực sự đã tiêu hết chi tiêu AI hàng năm dự kiến trong quý đầu tiên và hiện đang yêu cầu không phải các mô hình thông minh hơn, mà là các mô hình hiệu quả hơn. Nhận xét đó không nên bị coi là chỉ một giai thoại đơn thuần, bởi vì nó báo hiệu rằng AI đã bước vào một giai đoạn thương mại hóa hoàn toàn khác. Các tổ chức đã kết luận rằng trí tuệ nhân tạo hoạt động. Sự chú ý của họ hiện đang chuyển sang đảm bảo rằng nó hoạt động một cách kinh tế.
Sự phát triển công nghệ diễn ra bên dưới bề mặt củng cố chính xác cùng một kết luận. Trong những năm đầu tiên của cuộc cách mạng mô hình ngôn ngữ lớn, những người tham gia ngành phần lớn cho rằng các mô hình tốt hơn chỉ đơn giản yêu cầu nhiều tham số hơn, kiến trúc lớn hơn và sức mạnh tính toán lớn hơn theo cấp số nhân. Tuy nhiên, ngày càng nhiều phòng thí nghiệm tiên phong phát hiện ra rằng các mô hình nhỏ hơn được huấn luyện cẩn thận, tăng cường thông qua các bộ dữ liệu tốt hơn, kỹ thuật suy luận cải tiến, dữ liệu huấn luyện tổng hợp và các phương pháp chưng cất tinh vi, có thể tiếp cận hiệu suất của các hệ thống lớn hơn đáng kể trong khi chỉ yêu cầu một phần nhỏ chi phí suy luận. Meta đã chứng minh triết lý này nội bộ bằng cách sử dụng các mô hình tiên phong lớn nhất của mình chủ yếu làm giáo viên, đồng thời triển khai các mô hình chưng cất nhỏ hơn đáng kể trên cơ sở hạ tầng quảng cáo và đề xuất, từ đó dành trí tuệ tối đa cho việc học trong khi tối ưu hóa sản xuất dựa trên kinh tế học thay vì điểm chuẩn.
Hệ quả là trí tuệ nhân tạo ngày càng bắt đầu giống thị trường lao động con người hơn là các cuộc thi khoa học. Không có tổ chức hợp lý nào bố trí mọi vị trí bằng những người đoạt giải Nobel, cũng như không có doanh nghiệp nào cuối cùng sẽ định tuyến mọi yêu cầu suy luận tới mô hình tiên phong đắt nhất thế giới. Các tác vụ liên quan đến nghiên cứu khoa học tiên phong, toán học cao cấp, kỹ thuật phức tạp, suy luận tự động, hay khám phá dược phẩm gần như chắc chắn sẽ tiếp tục dựa vào các hệ thống AI có năng lực nhất bởi vì tiềm năng tăng trưởng kinh tế về cơ bản là không giới hạn. Tuy nhiên, phần lớn khối lượng công việc doanh nghiệp liên quan đến phân loại tài liệu, hỗ trợ khách hàng, tự động hóa quy trình làm việc, trích xuất thông tin, bảo trì phần mềm, giám sát tuân thủ, tìm kiếm doanh nghiệp, xem xét hợp đồng, và vô số tác vụ khác mà độ tin cậy, tính nhất quán, quản trị và kinh tế học quan trọng hơn nhiều so với việc ép thêm một hoặc hai điểm phần trăm trên bảng xếp hạng điểm chuẩn.
Đây là lý do tại sao tôi tin rằng ngành công nghiệp AI có thể đang tiến đến khoảnh khắc Linux của chính nó. Các mô hình trọng số mở như Llama, DeepSeek, Qwen, GLM, Kimi, và những mô hình khác không cần vượt qua mọi mô hình tiên phong độc quyền trên mọi điểm chuẩn để về cơ bản định hình lại kinh tế học ngành. Chúng chỉ cần trở nên đủ năng lực cho phần lớn khối lượng công việc doanh nghiệp, bởi vì một khi ngưỡng đó bị vượt qua, các quyết định mua hàng ngày càng bị thúc đẩy bởi lợi tức đầu tư thay vì năng lực thô. Các CIO doanh nghiệp chưa bao giờ chọn cơ sở hạ tầng quan trọng chỉ vì nó đứng đầu trên một bảng xếp hạng. Họ tối ưu hóa xoay quanh bảo mật, quản trị, độ tin cậy, tuân thủ, tích hợp, hỗ trợ nhà cung cấp, sự đơn giản trong vận hành và tổng chi phí sở hữu. Trí tuệ nhân tạo khó có thể khác biệt.
Nếu quan điểm đó đúng, thì thước đo xác định của ngành AI dần dần chuyển khỏi bản thân trí tuệ và hướng tới trí tuệ trên mỗi đô la, trong khi các mô hình tiên phong ngày càng tập trung quanh những vấn đề mà giá trị kinh tế của chúng thực sự biện minh cho việc trả tiền cho các cấp độ năng lực cao nhất. Sự khác biệt đó hình thành nền tảng cho luận điểm đầu tư tiếp theo, bởi vì một khi bản thân trí tuệ trở nên ngày càng dồi dào, các nhà đầu tư nên bắt đầu đặt một câu hỏi khác. Thay vì tranh luận ai xây dựng mô hình thông minh nhất, chúng ta nên ngày càng hỏi ai nắm bắt giá trị kinh tế khi trí tuệ trở nên đủ rẻ để được nhúng vào hầu như mọi quy trình làm việc trong toàn bộ nền kinh tế toàn cầu. Theo quan điểm của chúng tôi, đó là nơi giai đoạn tiếp theo của câu chuyện đầu tư AI thực sự bắt đầu.
Phần II: Sự di cư giá trị lớn
Tại sao chủ sở hữu hạ tầng tính toán đã được cài đặt cuối cùng có thể nắm bắt nhiều giá trị hơn người bán hạ tầng tính toán mới
Nếu lập luận trung tâm của phần đầu tiên là đúng, cụ thể là trí tuệ nhân tạo đang ổn định phát triển theo hướng tối đa hóa trí tuệ trên mỗi đô la thay vì bản thân trí tuệ, thì câu hỏi tự nhiên cho các nhà đầu tư là giá trị kinh tế cuối cùng di cư về đâu khi quá trình chuyển đổi đó diễn ra. Câu trả lời của thị trường hôm nay có vẻ rất đơn giản. Hãy mua các công ty cung cấp công cụ và thiết bị. Mua Nvidia, Broadcom, các nhà thiết kế ASIC, các nhà cung cấp mạng, các nhà sản xuất bộ nhớ, và bất kỳ ai khác bán phần cứng cần thiết để xây dựng thế hệ hạ tầng AI tiếp theo. Chiến lược đó chắc chắn đã đúng đắn trong vài năm qua, khi các công ty siêu quy mô bắt tay vào một trong những chu kỳ chi tiêu vốn lớn nhất trong lịch sử công nghệ, triển khai hàng trăm tỷ đô la vào GPU, thiết bị mạng, hạ tầng điện, hệ thống làm mát, và các khuôn viên AI hoàn toàn mới được thiết kế để hỗ trợ những gì mọi người dự kiến sẽ trở thành một sự bùng nổ nhu cầu suy luận AI.
Tuy nhiên, tôi ngày càng tin rằng thị trường đang hỏi sai câu hỏi. Các nhà đầu tư vẫn gần như hoàn toàn tập trung vào người bán GPU tiếp theo, trong khi câu hỏi quan trọng hơn cuối cùng có thể là ai sở hữu chiếc GPU cuối cùng. Sự khác biệt đó ngày nay có vẻ tinh tế, nhưng nó thay đổi về cơ bản kinh tế học của toàn bộ hệ sinh thái AI bởi vì nó chuyển sự chú ý khỏi doanh số bán phần cứng một lần sang các dòng tiền định kỳ được tạo ra bởi hạ tầng đã được triển khai, phần lớn trong số đó sẽ tiếp tục xử lý các khối lượng công việc AI trong nhiều năm sau khi chi phí vốn ban đầu đã được gánh chịu.
Theo quan điểm của chúng tôi, chỉ có hai kịch bản rộng lớn mà ngành có thể phát triển trong những năm tới, và điều khiến cuộc tranh luận đầu tư này trở nên đặc biệt thú vị là cả hai kết quả dường như thuận lợi hơn đáng kể cho các công ty siêu quy mô so với những gì định giá thị trường hiện tại ngụ ý.
Khả năng thứ nhất là các mô hình AI tiếp tục trở nên hiệu quả hơn đáng kể thông qua sự kết hợp của các kiến trúc tốt hơn, chưng cất, lượng tử hóa, giải mã suy đoán, thuật toán định tuyến, tối ưu hóa trình biên dịch và các kỹ thuật suy luận ngày càng tinh vi, cho phép các nhà cung cấp đám mây khai thác nhiều công việc hữu ích hơn từ phần cứng họ đã sở hữu. Thay vì yêu cầu thêm 100 tỷ đô la chi tiêu vốn hàng năm chỉ để duy trì khả năng cạnh tranh, các cụm GPU hiện có dần trở nên năng suất hơn với mỗi thế hệ mô hình kế tiếp, cho phép các công ty siêu quy mô hỗ trợ các khối lượng công việc suy luận lớn hơn theo cấp số nhân mà không cần phải song hành tăng trưởng đó bằng mỗi đô la thông qua mua sắm phần cứng mới. Trong thế giới này, hạ tầng AI đã nằm sẵn bên trong Microsoft Azure, Amazon AWS và Google Cloud trở nên có giá trị hơn đáng kể so với những gì các nhà đầu tư hiện đánh giá, bởi vì mọi bước đột phá phần mềm về cơ bản kéo dài năng suất kinh tế của phần cứng đã triển khai trước đó.
Nếu kịch bản đó thành hiện thực, các hàm ý cho kinh tế học đám mây trở nên cực kỳ hấp dẫn. Chi tiêu vốn bắt đầu ổn định một cách tự nhiên, khấu hao giảm dần khi các khoản đầu tư trước đó trưởng thành, trong khi doanh thu tiếp tục kết hợp vì tiêu thụ token doanh nghiệp tiếp tục mở rộng. Kết quả là dòng tiền tự do tăng vọt khi các công ty siêu quy mô chuyển từ các doanh nghiệp hấp thụ một lượng vốn khổng lồ thành các doanh nghiệp ngày càng kiếm tiền từ hạ tầng đã nằm trên bảng cân đối kế toán của họ. Những gì thị trường hiện xem là một trong những khoản chi phí lớn nhất trong công nghệ cuối cùng có thể chứng minh là một trong những cơ sở tài sản năng suất lớn nhất từng được tập hợp, tạo ra lợi nhuận hấp dẫn rất lâu sau khi các nhà đầu tư ngừng lo lắng về khoản đầu tư ban đầu cần thiết để xây dựng nó.
Kịch bản thay thế, về nhiều mặt, thậm chí còn mang tính xây dựng hơn. Đây là kịch bản Nghịch lý Jevons, nơi những cải tiến về hiệu quả không làm giảm nhu cầu mà thay vào đó đẩy nhanh nó bởi vì chi phí thấp hơn làm cho các ứng dụng hoàn toàn mới khả thi về mặt kinh tế. Khi suy luận trở nên rẻ hơn đáng kể, các công ty ngừng phân bổ việc sử dụng AI và bắt đầu nhúng trí tuệ vào hầu như mọi quy trình làm việc trong toàn bộ tổ chức của họ. Các tác nhân thực thi liên tục thay vì thỉnh thoảng, phần mềm ngày càng tự động gọi các mô hình thay vì chờ con người khởi tạo yêu cầu, trợ lý mã hóa liên tục đánh giá công việc của chính chúng trước khi tạo ra câu trả lời cuối cùng, hệ thống hỗ trợ khách hàng tham khảo nhiều mô hình đồng thời, và phần mềm doanh nghiệp bắt đầu coi suy luận như một tiện ích luôn bật thay vì một tính năng cao cấp đắt đỏ. Mọi token riêng lẻ trở nên rẻ hơn, nhưng tổng số token được xử lý mở rộng theo cấp số nhân bởi vì các doanh nghiệp đột nhiên phát hiện ra hàng ngàn trường hợp sử dụng mới trước đây không kinh tế.
Lịch sử cho thấy đây chính xác là cách tiến bộ công nghệ thường diễn ra. Khi lưu trữ trở nên rẻ hơn đáng kể, nhân loại không lưu trữ cùng một lượng thông tin với ít tiền hơn. Chúng ta đã lưu trữ nhiều thông tin hơn rất nhiều. Khi băng thông trở nên rẻ hơn đáng kể, chúng ta không chỉ đơn giản giảm hóa đơn internet. Chúng ta đã biến các trang web dựa trên văn bản thành các nền tảng video trực tuyến. Khi điện toán đám mây giảm chi phí triển khai hạ tầng phần mềm, các doanh nghiệp không mua ít máy chủ hơn. Họ đã xây dựng các thể loại phần mềm hoàn toàn mới chưa từng tồn tại dưới kinh tế học của điện toán tại chỗ. Trí tuệ nhân tạo dường như sẽ đi theo cùng một quỹ đạo, nơi chi phí suy luận giảm thúc đẩy nhu cầu đủ mạnh để lấn át bất kỳ sự giảm doanh thu nào được tạo ra trên mỗi token riêng lẻ.
Đặc điểm đáng chú ý của hai kịch bản này là cả hai đều có vẻ rất tích cực cho các chủ sở hữu hạ tầng đám mây. Nếu hiệu quả mô hình cải thiện nhanh hơn nhu cầu, chi tiêu vốn của công ty siêu quy mô chậm lại trong khi dòng tiền tự do tăng tốc. Nếu nhu cầu tăng trưởng nhanh hơn hiệu quả, các công ty siêu quy mô tiếp tục mở rộng hạ tầng đồng thời tạo ra doanh thu lớn hơn đáng kể từ các dịch vụ AI chạy trên phần cứng ngày càng năng suất. Trong không kịch bản nào, chúng tôi đi đến một kết quả có vẻ tiêu cực về mặt cấu trúc đối với bản thân các nền tảng đám mây. Thay vào đó, cuộc tranh luận trở thành về những người hưởng lợi tương đối thay vì kẻ thắng người thua tuyệt đối.
Đây là lý do tại sao tôi tin rằng thị trường tiếp tục hiểu sai chi tiêu vốn của công ty siêu quy mô thực sự đại diện cho điều gì. Nhiều nhà đầu tư tiếp tục coi chi tiêu hạ tầng AI như thể nó chỉ đơn giản là một chi phí hoạt động khác đang kìm hãm lợi nhuận ngắn hạn, trong khi trên thực tế, nó ngày càng giống với sự hình thành vốn năng suất. Trong suốt lịch sử kinh tế, các khoản đầu tư hạ tầng chuyển đổi hầu như luôn có vẻ không hấp dẫn về mặt tài chính trong giai đoạn xây dựng bởi vì chúng tiêu thụ một lượng vốn khổng lồ trước khi tạo ra các dòng tiền có ý nghĩa. Đường sắt, lưới điện, mạng viễn thông, cáp quang và điện toán đám mây đều tuân theo chính xác cùng một mô hình. Khoản đầu tư ban đầu có vẻ quá mức cho đến khi mức sử dụng đạt đến điểm mà đòn bẩy hoạt động trở nên áp đảo, tại thời điểm đó chính những tài sản đó bắt đầu tạo ra lợi nhuận phi thường trên vốn đầu tư.
Do đó, cuộc tranh luận không nên xoay quanh việc liệu các công ty siêu quy mô có chi tiêu quá nhiều cho hạ tầng AI hay không. Câu hỏi quan trọng hơn là liệu những tài sản đó cuối cùng sẽ tạo ra đủ sản lượng kinh tế để biện minh cho khoản đầu tư, và ngày càng có bằng chứng cho thấy câu trả lời là có. Tuy nhiên, thị trường dường như đang định giá một điểm trung gian khá kỳ lạ, nơi các công ty bán dẫn tiếp tục hưởng lợi từ các giả định rằng chi tiêu vốn vẫn ở mức cao vô thời hạn, trong khi các công ty siêu quy mô đồng thời được giao dịch như thể cùng một khoản chi tiêu đó vĩnh viễn kìm hãm lợi nhuận trên vốn. Tôi thấy sự kết hợp đó ngày càng khó dung hòa bởi vì hoặc hạ tầng AI trở nên năng suất hơn đáng kể theo thời gian, cho phép dòng tiền tự do tăng vọt, hoặc nhu cầu AI phát triển đủ nhanh để biện minh cho việc tiếp tục đầu tư. Cả hai kết quả dường như không mang tính đầu cơ giá xuống về cơ bản đối với các nhà cung cấp đám mây.
Có lẽ sự phát triển quan trọng nhất củng cố luận điểm này là bản thân suy luận ngày càng giống một tiện ích hơn là một sản phẩm công nghệ cao cấp. Điện cung cấp một phép loại suy hữu ích bởi vì người tiêu dùng hiếm khi biết, hoặc đặc biệt quan tâm, nhà máy điện nào đã tạo ra điện đến nhà họ. Họ chỉ đơn giản mong đợi điện đến một cách đáng tin cậy, an toàn và với chi phí thấp nhất có thể. Trí tuệ nhân tạo dường như đang phát triển về cùng một trạng thái cân bằng. Rất ít doanh nghiệp cuối cùng quan tâm liệu việc phân loại tài liệu thông thường được thực hiện bởi GPT-7, Claude 8, DeepSeek, Llama, Qwen, hay một mô hình trọng số mở khác. Họ quan tâm rằng câu trả lời đáp ứng ngưỡng chất lượng yêu cầu, tích hợp liền mạch vào các quy trình làm việc hiện có, tuân thủ các yêu cầu bảo mật và quy định, và làm được điều đó với tổng chi phí thấp nhất có thể. Một khi suy luận bắt đầu giống một tiện ích hơn là một dịch vụ xa xỉ, kinh tế học ngành một cách tự nhiên chuyển khỏi việc thưởng cho bản thân trí tuệ và hướng tới việc thưởng cho hạ tầng chịu trách nhiệm phân phối trí tuệ đó ở quy mô lớn.
Một phép loại suy khác có thể còn phù hợp hơn. Các phòng thí nghiệm AI tiên phong ngày càng giống các hãng hàng không, trong khi các công ty siêu quy mô ngày càng giống các sân bay. Các hãng hàng không cạnh tranh không ngừng về chất lượng dịch vụ, trải nghiệm khách hàng, mạng lưới đường bay, hiện đại hóa đội bay và hiệu quả hoạt động, nhưng họ cũng phải đối mặt với áp lực liên tục phải cải thiện vì dịch vụ cao cấp của ngày hôm qua nhanh chóng trở thành tiêu chuẩn ngành của hôm nay. Các sân bay hoạt động dưới một mô hình kinh tế hoàn toàn khác bởi vì chúng hưởng lợi bất kể hãng hàng không nào cuối cùng giành thị phần. Mọi máy bay vẫn hạ cánh, mọi hành khách vẫn đi qua nhà ga, mọi hãng hàng không vẫn trả phí hạ cánh, và mọi chuyến bay bổ sung chỉ đơn giản làm tăng mức sử dụng của hạ tầng đã tồn tại.
Cùng một logic kinh tế có thể ngày càng áp dụng cho trí tuệ nhân tạo. OpenAI, Anthropic, Google DeepMind, xAI, Meta, DeepSeek và các phòng thí nghiệm tiên phong trong tương lai chắc chắn sẽ tiếp tục cạnh tranh mạnh mẽ để xây dựng các mô hình thông minh nhất thế giới, với vị trí dẫn đầu bảng xếp hạng thay đổi nhiều lần trong thập kỷ tới. Tuy nhiên, mọi suy luận doanh nghiệp vẫn chạy bên trong trung tâm dữ liệu của ai đó, tiêu thụ GPU của ai đó, sử dụng hạ tầng mạng của ai đó, và cuối cùng phụ thuộc vào nền tảng đám mây của ai đó. Các hãng hàng không cạnh tranh quyết liệt vì hành khách. Các sân bay âm thầm thu tiền thuê bất kể hãng nào thắng.
Sự khác biệt này thậm chí còn trở nên mạnh mẽ hơn khi cạnh tranh mô hình gia tăng. Các mô hình trọng số mở tiếp tục cải thiện, các mô hình độc quyền ngày càng trở nên có thể thay thế lẫn nhau trên các khối lượng công việc doanh nghiệp thông thường, và áp lực định giá dần dần xuất hiện ở lớp mô hình khi khách hàng tối ưu hóa theo trí tuệ trên mỗi đô la thay vì năng lực tuyệt đối. Tuy nhiên, mọi token vẫn tiêu thụ sức mạnh tính toán, mọi suy luận vẫn đi qua hạ tầng đám mây, và mọi khối lượng công việc doanh nghiệp vẫn phụ thuộc vào các tài nguyên tính toán an toàn, có thể mở rộng và phân phối toàn cầu. Kinh tế học trên mỗi token có thể bị nén ở lớp mô hình, nhưng biên lợi nhuận hạ tầng vẫn đáng chú ý là kiên cường bởi vì hành động vật lý của việc phục vụ suy luận tiếp tục bất kể mô hình nào cuối cùng thực hiện tính toán.
Theo quan điểm của chúng tôi, điều này đại diện cho một trong những sự di cư giá trị kinh tế lớn nhất hiện đang diễn ra trong trí tuệ nhân tạo. Bản thân giá trị không biến mất. Nó chỉ đơn giản thay đổi quyền sở hữu. Thay vì tập trung chủ yếu trong các công ty xây dựng mô hình tiên phong, một tỷ lệ ngày càng tăng của giá trị đó di cư về phía các nền tảng điều phối hàng nghìn tỷ yêu cầu AI mỗi ngày. Khi trí tuệ trở nên ngày càng dồi dào và năng lực mô hình tiếp tục hội tụ, những người chiến thắng dài hạn có thể không nhất thiết là những người tạo ra các mô hình thông minh nhất, mà là những người sở hữu hạ tầng qua đó trí tuệ của thế giới chảy qua. Nếu giai đoạn đầu tiên của cuộc cách mạng AI thưởng cho những người tạo ra trí tuệ, thì giai đoạn thứ hai có thể ngày càng thưởng cho những người phân phối nó. Theo quan điểm của chúng tôi, đó là nơi cơ hội đầu tư thực sự bắt đầu xuất hiện.
Phần III: Lớp điều phối
Tại sao công ty sở hữu lớp định tuyến cuối cùng có thể sở hữu AI doanh nghiệp
Nếu giai đoạn đầu tiên của cuộc cách mạng AI được định nghĩa bằng việc xây dựng những mô hình thông minh nhất, và giai đoạn thứ hai bằng việc khai thác nhiều giá trị kinh tế hơn từ cơ sở hạ tầng đã được cài đặt, thì tôi tin rằng giai đoạn thứ ba sẽ xoay quanh một thứ kém hào nhoáng hơn nhiều nhưng có khả năng mang lại giá trị lớn hơn nhiều: sự điều phối. Nói cách khác, câu hỏi dần dần chuyển từ việc ai xây dựng mô hình thông minh nhất sang việc ai quyết định mô hình nào nên thực hiện từng nhiệm vụ riêng lẻ, bởi vì một khi các doanh nghiệp bắt đầu triển khai AI ở quy mô sản xuất thay vì quy mô thử nghiệm, việc quản lý trí thông minh trở nên quan trọng hơn đáng kể so với việc chỉ đơn thuần truy cập vào nó.
Một trong những quan niệm sai lầm lớn nhất xung quanh AI doanh nghiệp hiện nay là giả định rằng các tổ chức cuối cùng sẽ chuẩn hóa trên một mô hình tiên phong duy nhất cho mọi khối lượng công việc có thể hình dung. Điều đó có vẻ hợp lý trong khi các khả năng tiên phong vẫn còn khác biệt đáng kể, nhưng lịch sử cho thấy công nghệ doanh nghiệp hầu như không bao giờ phát triển theo hướng đó. Các công ty không mua một cơ sở dữ liệu, một ngôn ngữ lập trình, một sản phẩm an ninh mạng hay một dịch vụ đám mây duy nhất chỉ vì nó xếp hạng cao nhất trên một điểm chuẩn. Thay vào đó, họ xây dựng các ngăn xếp công nghệ được tối ưu hóa xung quanh chi phí, độ tin cậy, quản trị, hiệu suất và các yêu cầu kinh doanh, với các công cụ khác nhau thực hiện các chức năng khác nhau tùy thuộc vào kinh tế học của từng khối lượng công việc.
Trí tuệ nhân tạo có khả năng sẽ phát triển theo đúng cách đó. Phần lớn các suy luận trong doanh nghiệp không yêu cầu trí thông minh tiên phong. Phân loại tài liệu, trích xuất hợp đồng, xử lý hóa đơn, hỗ trợ khách hàng, kiểm thử phần mềm, tìm kiếm doanh nghiệp, tóm tắt cuộc họp, dịch thuật, giám sát tuân thủ và vô số quy trình kinh doanh thông thường khác chỉ đơn giản yêu cầu một mô hình luôn vượt qua ngưỡng chất lượng cần thiết với chi phí thấp nhất có thể. Các tác vụ suy luận phức tạp hơn, lập kế hoạch chiến lược, nghiên cứu khoa học, kỹ thuật phần mềm tiên tiến và các quy trình tác nhân tự động có thể tiếp tục dựa vào các hệ thống tiên phong có năng lực nhất, nhưng những hệ thống đó chỉ chiếm một tỷ lệ tương đối nhỏ trong tổng mức tiêu thụ token của doanh nghiệp. Kết quả là các tổ chức ngày càng bắt đầu định tuyến khối lượng công việc một cách linh hoạt, giao các tác vụ đơn giản hơn cho các mô hình nhỏ hơn, rẻ hơn, đồng thời chỉ chuyển tiếp những yêu cầu khó khăn nhất lên các hệ thống tiên phong, nơi trí thông minh bổ sung thực sự tạo ra giá trị kinh tế gia tăng.
Sự chuyển đổi này về cơ bản thay đổi nơi giá trị doanh nghiệp tập trung. Một khi việc định tuyến trở thành mô hình triển khai thống trị, các mô hình AI riêng lẻ dần dần trở thành các thành phần có thể hoán đổi cho nhau đứng sau một nền tảng điều phối lớn hơn nhiều. Các doanh nghiệp ngừng mua trực tiếp trí thông minh và thay vào đó mua một hệ thống có khả năng quyết định trí thông minh nào nên được triển khai tại bất kỳ thời điểm cụ thể nào. Thay vì yêu cầu nhân viên lựa chọn giữa GPT, Claude, Gemini, Llama, DeepSeek, Qwen, GLM, Kimi hay các mô hình tương lai, lớp điều phối sẽ âm thầm đưa ra quyết định đó một cách tự động dựa trên độ trễ, chi phí, độ chính xác, yêu cầu quản trị, chính sách bảo mật, hạn chế quy định, sở thích của khách hàng và độ phức tạp của khối lượng công việc. Hệ quả đáng chú ý là bản thân mô hình dần dần lùi vào nền trong khi nền tảng điều phối trở thành mối quan hệ khách hàng chính.
Điều này khiến tôi nhớ mạnh mẽ đến một quá trình chuyển đổi công nghệ quan trọng khác. Trong nhiều năm, các nhà đầu tư tin rằng hệ điều hành đại diện cho trung tâm kinh tế của điện toán doanh nghiệp bởi vì mọi ứng dụng cuối cùng đều phụ thuộc vào chúng. Linux đã thay đổi cơ bản giả định đó bằng cách làm cho bản thân hệ điều hành ngày càng trở nên dồi dào, đồng thời chuyển giá trị sang cơ sở hạ tầng đám mây, phần mềm doanh nghiệp, an ninh mạng, dịch vụ được quản lý và các ứng dụng cấp cao hơn được xây dựng trên nó. Hệ điều hành không bao giờ biến mất. Nó chỉ đơn giản trở nên ít quan trọng hơn về mặt kinh tế so với hệ sinh thái xung quanh.
Tôi tin rằng các mô hình AI trọng số mở có tiềm năng tạo ra một kết quả đáng chú ý tương tự. DeepSeek, Qwen, Llama, GLM, Kimi, MiniMax và nhiều mô hình trọng số mở khác đang không ngừng cải thiện với tốc độ mà ít nhà đầu tư đánh giá hết được. Điều quan trọng là, chúng không cần phải vượt qua mọi mô hình độc quyền tiên phong trên mọi điểm chuẩn để định hình lại kinh tế học của ngành. Chúng chỉ cần trở nên đủ năng lực cho khoảng 80% khối lượng công việc của doanh nghiệp, bởi vì một khi vượt qua ngưỡng đó, các quyết định mua hàng sẽ được thúc đẩy chủ yếu bởi kinh tế học thay vì thứ hạng trên bảng xếp hạng. Bản thân mô hình ngày càng giống với Linux: có sẵn miễn phí, có năng lực cao, liên tục cải tiến, và cuối cùng có giá trị không phải vì nó tự nắm giữ giá trị kinh tế, mà vì nó cho phép một hệ sinh thái hoàn toàn mới xuất hiện xung quanh nó.
Đây là lý do tại sao tôi ngày càng tin rằng ngành công nghiệp AI đang tiến gần đến khoảnh khắc Linux của chính nó. Các mô hình trọng số mở đã hàng hóa hóa trí thông minh. Sự điều phối kiếm tiền từ nó. Sự khác biệt đó rất quan trọng vì nó thay đổi về cơ bản nơi tập trung các lợi thế cạnh tranh của ngành.
Ngày nay, phần lớn các cuộc thảo luận tập trung vào vị trí dẫn đầu điểm chuẩn, số lượng tham số, điểm số suy luận và các đánh giá khoa học. Các chỉ số đó chắc chắn có ý nghĩa ở tiền phương, nhưng chúng có ý nghĩa ít hơn đáng kể bên trong một ủy ban mua sắm của Fortune 500. Các CIO doanh nghiệp hiếm khi mua công nghệ vì nó đứng đầu bảng xếp hạng học thuật. Họ mua công nghệ vì nó tích hợp liền mạch vào các hệ thống nhận dạng hiện có, đáp ứng các yêu cầu quản trị, tuân thủ các tiêu chuẩn quy định, cung cấp dấu vết kiểm toán, hỗ trợ các chính sách bảo mật, cung cấp các thỏa thuận cấp độ dịch vụ có thể dự đoán trước, đơn giản hóa việc mua sắm, giảm độ phức tạp trong vận hành và giảm thiểu tổng chi phí sở hữu. Trong thực tế, độ tin cậy hầu như luôn đánh bại ưu thế lý thuyết một khi công nghệ trưởng thành.
Sự khác biệt này có thể tỏ ra vô cùng quan trọng đối với các nhà đầu tư. Chiến thắng một điểm chuẩn khác tạo ra các tiêu đề. Chiến thắng các quyết định mua sắm tạo ra doanh thu định kỳ. Lớp điều phối nằm chính xác ở nơi các quyết định mua sắm đó diễn ra.
Bedrock của Amazon minh họa cho quá trình chuyển đổi này đặc biệt rõ ràng. Mặc dù nhiều nhà đầu tư vẫn tiếp tục xem Bedrock chủ yếu như một thị trường qua đó khách hàng truy cập Claude hoặc các mô hình tiên phong khác, nền tảng này đã phát triển thành một thứ quan trọng hơn đáng kể. Bedrock ngày càng hoạt động như hệ điều hành doanh nghiệp cho trí tuệ nhân tạo, cho phép các tổ chức truy cập vào hơn một trăm biến thể mô hình từ nhiều nhà cung cấp khác nhau, đồng thời tự động định tuyến khối lượng công việc đến bất kỳ mô hình nào đáp ứng tốt nhất sự kết hợp mong muốn về chi phí, độ trễ, năng lực và quản trị. Định tuyến Prompt Thông minh, AgentCore, quản lý bộ nhớ, khả năng quan sát, bảo mật, tích hợp nhận dạng, tự động hóa trình duyệt, gọi công cụ và giám sát sản xuất đều biến Bedrock thành nhiều hơn một điểm cuối API đơn thuần. Nó trở thành lớp ra quyết định quản lý chính AI doanh nghiệp.
Azure AI Foundry của Microsoft tuân theo một triết lý gần như giống hệt. Thay vì yêu cầu khách hàng cam kết với một phòng thí nghiệm tiên phong duy nhất, Foundry cho phép các doanh nghiệp điều phối các hệ sinh thái AI ngày càng đa dạng trong khi nhúng các quy trình làm việc đó trực tiếp vào kiến trúc bảo mật hiện có của Azure, các khung tuân thủ, công cụ phát triển và ngăn xếp phần mềm doanh nghiệp. Google Vertex AI theo đuổi một mục tiêu tương tự, mặc dù tự nhiên là nhấn mạnh hơn vào Gemini. Bất kể chiến lược triển khai riêng lẻ của chúng là gì, cả ba nhà siêu quy mô dường như đang hội tụ về cùng một điểm đến, cụ thể là trở thành hệ điều hành mà qua đó các khối lượng công việc AI doanh nghiệp được điều phối thay vì chỉ đơn thuần cung cấp cơ sở hạ tầng mà chúng thực thi trên đó. Sự chuyển đổi này cũng tạo ra các chi phí chuyển đổi mà tôi tin rằng thị trường đang đánh giá thấp đáng kể.
Ngày nay, các nhà đầu tư thường thảo luận về chi phí chuyển đổi như thể chúng cư trú chủ yếu ở lớp mô hình, đặt câu hỏi liệu các doanh nghiệp sẽ vẫn trung thành với OpenAI, Anthropic, Google hay một phòng thí nghiệm tiên phong khác. Tôi ngày càng tin rằng điều ngược lại cuối cùng có thể trở nên đúng. Một khi các tổ chức bắt đầu xây dựng các đường ống truy xuất, các mô hình tinh chỉnh, khung đánh giá, kiến trúc bộ nhớ, chính sách bảo mật, kiểm soát tuân thủ, bảng điều khiển khả năng quan sát, tích hợp nhận dạng và quy trình làm việc tác nhân tự động bên trong Azure AI Foundry, AWS Bedrock hoặc Google Vertex, việc thay đổi mô hình cơ bản trở nên tương đối đơn giản trong khi việc di chuyển chính nền tảng điều phối trở nên khó khăn hơn đáng kể. Các mô hình dần dần trở nên có thể thay thế. Lớp điều phối trở nên được nhúng sâu vào các hoạt động của doanh nghiệp.
Một trong những độc giả của tôi gần đây đã đưa ra một nhận xét nắm bắt hoàn hảo quá trình chuyển đổi này bằng cách gợi ý rằng, theo thời gian, bộ khai thác điều phối có thể trở nên có giá trị ngang bằng với chính mô hình bởi vì nó cuối cùng quyết định cách trí thông minh được triển khai trong toàn bộ tổ chức. Tôi tin rằng hiểu biết sâu sắc đó xứng đáng nhận được nhiều sự quan tâm hơn hiện tại nó nhận được. Lợi thế cạnh tranh ngày càng chuyển dịch khỏi việc sở hữu mô hình thông minh nhất và hướng tới việc sở hữu quy trình làm việc mà qua đó mọi mô hình đều được truy cập.
Một hàm ý khác cũng theo một cách tự nhiên từ khuôn khổ này. Nhiều nhà đầu tư cho rằng các mô hình rẻ hơn chắc chắn sẽ làm giảm nhu cầu tính toán bởi vì mỗi suy luận riêng lẻ tiêu thụ ít tài nguyên hơn. Tôi tin rằng điều ngược lại có khả năng xảy ra hơn đáng kể. Định tuyến không làm giảm suy luận. Nó mở rộng nó. Một khi các tổ chức nhận ra họ có thể giải quyết các tác vụ thông thường với một phần nhỏ chi phí hiện tại, họ ngừng việc hạn chế sử dụng AI hoàn toàn. Các tác nhân bắt đầu hoạt động liên tục thay vì gián đoạn. Các mô hình liên tục xác minh đầu ra của chính mình, tham khảo nhiều chuỗi suy luận, truy xuất các cửa sổ ngữ cảnh lớn hơn, đánh giá các phản hồi cạnh tranh và thực thi các quy trình làm việc tự động ngày càng tinh vi. Các token riêng lẻ trở nên rẻ hơn đáng kể, nhưng tổng mức tiêu thụ token tăng tốc bởi vì trí thông minh trở nên khả thi về mặt kinh tế cho một loạt ứng dụng ngày càng mở rộng.
Đây là Nghịch lý Jevons được thể hiện thông qua phần mềm doanh nghiệp. Hiệu quả không làm giảm nhu cầu. Hiệu quả tạo ra nhu cầu hoàn toàn mới. Mọi quy trình làm việc bổ sung, bất kể mô hình nào cuối cùng thực hiện suy luận, vẫn đi qua Azure của Microsoft, AWS của Amazon hoặc Cloud của Google. Mọi yêu cầu được định tuyến vẫn tiêu thụ năng lực mạng, lưu trữ, GPU, bộ nhớ, dịch vụ bảo mật, cơ sở hạ tầng ghi nhật ký, hệ thống tuân thủ, công cụ giám sát và phần mềm điều phối. Nền tảng đám mây nắm bắt giá trị bất kể khách hàng cuối cùng chọn GPT, Claude, Gemini, Llama, DeepSeek hay một mô hình trọng số mở khác.
Về nhiều mặt, đây chính xác là lý do tại sao tôi tin rằng lớp điều phối có thể trở thành một trong những vị trí có giá trị nhất trong toàn bộ ngăn xếp AI. Các phòng thí nghiệm tiên phong chắc chắn sẽ tiếp tục cạnh tranh gay gắt để giành vị trí dẫn đầu điểm chuẩn bởi vì trí thông minh vẫn cần thiết để giải quyết những vấn đề khó khăn nhất của nhân loại. Tuy nhiên, khi trí tuệ nhân tạo mở rộng từ một công nghệ thích hợp thành hệ điều hành của nền kinh tế toàn cầu, các doanh nghiệp sẽ ngày càng ít quan tâm đến việc mô hình riêng lẻ nào tạo ra câu trả lời và quan tâm nhiều hơn đáng kể đến việc liệu toàn bộ hệ thống có duy trì được an toàn, đáng tin cậy, tuân thủ, hiệu quả về chi phí và được tích hợp liền mạch vào các quy trình kinh doanh hiện tại hay không.
Lịch sử liên tục chứng minh rằng khi công nghệ trưởng thành, giá trị di chuyển khỏi bản thân phát minh và hướng tới cơ sở hạ tầng điều phối việc áp dụng rộng rãi nó. Trí tuệ nhân tạo dường như ngày càng có khả năng đi theo chính xác cùng một con đường. Các công ty cuối cùng kiểm soát AI doanh nghiệp có thể không nhất thiết là những công ty tạo ra các mô hình thông minh nhất, mà là những công ty âm thầm điều phối hàng tỷ quyết định mỗi ngày trong khi làm cho sự phức tạp của trí tuệ nhân tạo gần như hoàn toàn vô hình đối với khách hàng. Theo quan điểm của chúng tôi, đó là nơi một số lợi thế cạnh tranh rộng nhất và bền vững nhất của ngành có khả năng xuất hiện.
Phần IV: Chính phủ, Địa chính trị và Trật tự AI Mới
Tại sao quy định có thể thúc đẩy sự trỗi dậy của các nhà siêu quy mô thay vì làm chậm nó.
Cho đến thời điểm này, luận điểm đã được xây dựng gần như hoàn toàn dựa trên kinh tế học. Chi phí suy luận giảm, các mô hình trọng số mở được cải thiện nhanh chóng, tối ưu hóa token doanh nghiệp và sự di chuyển của giá trị kinh tế về phía cơ sở hạ tầng đều chỉ ra cùng một kết luận, đó là các nhà siêu quy mô đang trở nên ngày càng trung tâm đối với hệ sinh thái AI trong tương lai. Tuy nhiên, có một lực lượng khác đang âm thầm củng cố chính xác cùng một kết quả, và không giống như tiến bộ công nghệ, lực lượng này khó có thể tuân theo Định luật Moore hay bất kỳ lộ trình kỹ thuật nào có thể dự đoán trước. Đó là địa chính trị.
Trong phần lớn kỷ nguyên internet, các công ty công nghệ hoạt động dưới giả định rằng phần mềm có thể di chuyển tự do qua các biên giới, cho phép những cải tiến được phát triển ở một quốc gia trở nên có sẵn trên toàn cầu gần như ngay lập tức. Trí tuệ nhân tạo đang chứng tỏ về cơ bản là khác biệt bởi vì các mô hình tiên phong ngày càng không chỉ được xem như các sản phẩm thương mại, mà còn như các tài sản quốc gia chiến lược có khả năng mở rộng sang an ninh mạng, thu thập thông tin tình báo, ứng dụng quân sự, nghiên cứu khoa học và cơ sở hạ tầng quan trọng. Một khi các chính phủ bắt đầu xem xét AI qua lăng kính an ninh quốc gia thay vì cạnh tranh thương mại thuần túy, các động lực kinh tế hoàn toàn mới bắt đầu xuất hiện.
Những phát triển gần đây tại Hoa Kỳ minh họa cho sự thay đổi này một cách đặc biệt rõ ràng. Sắc lệnh hành pháp của chính quyền Trump nhằm thúc đẩy đổi mới và an ninh trí tuệ nhân tạo tiên tiến thiết lập một khuôn khổ theo đó các mô hình tiên phong nhất định có thể phải trải qua đánh giá của chính phủ trước khi phát hành thương mại rộng rãi, đặc biệt là khi có liên quan đến các khả năng an ninh mạng tiên tiến. Mặc dù khuôn khổ này vẫn mang tính tự nguyện hơn là cấp phép bắt buộc, nó giới thiệu một điều mà trước đây không tồn tại: một mối quan hệ có cấu trúc giữa các phòng thí nghiệm AI tiên phong và chính phủ liên bang liên quan đến việc triển khai các mô hình có năng lực nhất.
Sự phát triển đó ngày nay có vẻ gia tăng, nhưng tôi tin rằng những hàm ý dài hạn của nó lớn hơn đáng kể so với những gì thị trường hiện đang đánh giá. Cuộc tranh luận không còn chỉ đơn giản là về việc ai xây dựng mô hình thông minh nhất. Nó ngày càng là về việc ai có quyền truy cập vào mô hình đó, trong những điều kiện nào và thông qua cơ sở hạ tầng nào.
Tình tiết Anthropic minh họa cho bối cảnh đang thay đổi này. Đầu năm nay, việc truy cập vào các mô hình tiên tiến nhất của Anthropic đã trở nên phụ thuộc vào các cân nhắc kiểm soát xuất khẩu, tạo ra một tình huống mà việc triển khai thương mại không còn được xác định chỉ bởi sự sẵn sàng kỹ thuật hay nhu cầu của khách hàng, mà ngày càng bởi các cân nhắc địa chính trị. Bất kể quan điểm của một người về giá trị của các chính sách đó là gì, hướng đi rộng hơn dường như không thể nhầm lẫn. Các mô hình AI tiên phong đang dần trở thành các công nghệ chiến lược chịu sự giám sát của chính phủ theo cùng một cách mà thiết bị sản xuất chất bán dẫn tiên tiến, mật mã, công nghệ hàng không vũ trụ và một số khả năng quốc phòng nhất định đã phải chịu trong nhiều thập kỷ.
Điều này tạo ra một vấn đề mà nhiều doanh nghiệp vẫn chưa đánh giá hết. Nếu các mô hình khác nhau có sẵn ở các khu vực pháp lý khác nhau, vào những thời điểm khác nhau, theo các khuôn khổ quy định khác nhau, thì các doanh nghiệp không còn có thể xây dựng chiến lược AI xoay quanh một nhà cung cấp mô hình duy nhất. Các công ty toàn cầu hoạt động trên hàng chục hoặc thậm chí hàng trăm quốc gia yêu cầu sự linh hoạt bởi vì các yêu cầu quy định, quy tắc chủ quyền dữ liệu, kiểm soát xuất khẩu và khả năng sẵn có của mô hình có thể khác biệt đáng kể giữa khu vực pháp lý này với khu vực pháp lý khác. Một ngân hàng đa quốc gia, công ty dược phẩm hay nhà sản xuất công nghiệp không thể chỉ đơn giản tạm dừng hoạt động vì một mô hình tiên phong tạm thời không có sẵn trong một khu vực cụ thể. Thực tế đó làm tăng đáng kể giá trị của sự điều phối. Lớp điều phối không còn chỉ tối ưu hóa cho chi phí và hiệu suất. Nó ngày càng tối ưu hóa cho sự tuân thủ.
Một doanh nghiệp hoạt động trên khắp Châu Âu, Hoa Kỳ, Trung Đông và Châu Á cuối cùng có thể yêu cầu các quyết định định tuyến khác nhau không chỉ phụ thuộc vào độ phức tạp của khối lượng công việc, mà còn phụ thuộc vào địa lý, nơi cư trú dữ liệu, yêu cầu an ninh mạng, hạn chế xuất khẩu, thỏa thuận khách hàng và quy định địa phương. Đột nhiên, việc chọn mô hình AI tối ưu trở thành một bài toán tối ưu hóa cực kỳ phức tạp vượt xa hiệu suất điểm chuẩn.
Đây chính xác là nơi các nhà siêu quy mô sở hữu những lợi thế cấu trúc ngày càng khó sao chép. Microsoft, Amazon và Google đã vận hành một số cơ sở hạ tầng đám mây phân tán toàn cầu lớn nhất thế giới, với nhiều thập kỷ kinh nghiệm trong việc quản lý hệ thống nhận dạng, mã hóa, an ninh mạng, tuân thủ, triển khai đám mây có chủ quyền, chứng nhận quy định, yêu cầu kiểm toán và mối quan hệ với chính phủ trên hầu hết mọi khu vực pháp lý lớn. Họ đã dành nhiều năm để xây dựng lòng tin với các CIO doanh nghiệp, cơ quan quản lý tài chính, nhà cung cấp dịch vụ chăm sóc sức khỏe, nhà thầu quốc phòng và chính phủ bởi vì điện toán đám mây đòi hỏi phải giải quyết nhiều thách thức quản trị này từ rất lâu trước khi trí tuệ nhân tạo xuất hiện.
Về nhiều mặt, AI chỉ đơn giản là kế thừa những lợi thế đó. Khách hàng doanh nghiệp không còn chỉ hỏi liệu GPT có hoạt động tốt hơn một chút so với Claude hay Gemini trên một điểm chuẩn suy luận hay không. Doanh nghiệp ngày càng đặt ra một loạt câu hỏi khác. Khối lượng công việc này có thể hoạt động hợp pháp ở Đức không? Dữ liệu khách hàng có thể ở lại Nhật Bản không? Mô hình này có đáp ứng các cơ quan quản lý tài chính không? Điều gì xảy ra nếu một nhà cung cấp tạm thời không khả dụng? Các khối lượng công việc có thể tự động định tuyến lại mà không làm gián đoạn hoạt động không? Mọi suy luận có thể được kiểm toán nhiều tháng sau đó không? Chúng ta có thể chứng minh sự tuân thủ trong quá trình xem xét quy định không? Đây không phải là các câu hỏi về học máy. Đây là các câu hỏi về cơ sở hạ tầng doanh nghiệp.
Lịch sử liên tục gợi ý rằng thị trường công nghệ doanh nghiệp thưởng cho sự đáng tin cậy ít nhất là ngang bằng với ưu thế kỹ thuật. Các CIO hiếm khi mua cơ sở hạ tầng chỉ dựa trên thứ hạng điểm chuẩn bởi vì thời gian ngừng hoạt động, thất bại tuân thủ hoặc vi phạm bảo mật thường khiến các tổ chức tốn kém nhiều hơn đáng kể so với sự khác biệt biên về hiệu suất kỹ thuật. Trí tuệ nhân tạo dường như khó có thể hành xử khác đi. Mô hình thông minh nhất có thể thu hút các tiêu đề, nhưng nền tảng đáng tin cậy nhất thường giành chiến thắng trong các quyết định mua sắm.
Một hệ quả khác của môi trường địa chính trị đang phát triển này là bản thân các nhà cung cấp mô hình ngày càng trở nên phụ thuộc vào các nhà siêu quy mô. Khi sự phát triển tiên phong trở nên tốn kém hơn về mặt tính toán, sự giám sát quy định gia tăng và việc triển khai toàn cầu trở nên phức tạp hơn, các phòng thí nghiệm độc lập ngày càng yêu cầu các đối tác có khả năng cung cấp cơ sở hạ tầng, tuân thủ, an ninh mạng, khả năng đám mây có chủ quyền, phân phối doanh nghiệp và mối quan hệ khách hàng toàn cầu. Do đó, các nhà siêu quy mô trở nên nhiều hơn các nhà cung cấp cơ sở hạ tầng. Họ ngày càng trở thành các đối tác phân phối chiến lược mà qua đó các mô hình tiên phong tiếp cận khách hàng doanh nghiệp.
Điều này tạo ra một sự bất đối xứng thú vị. Mỗi mô hình bổ sung củng cố nền tảng điều phối. Mỗi phòng thí nghiệm tiên phong bổ sung làm cho việc định tuyến đa mô hình trở nên có giá trị hơn. Mỗi khuôn khổ quy định bổ sung làm tăng độ phức tạp của việc triển khai doanh nghiệp. Mỗi xu hướng này củng cố vị thế của các nền tảng đám mây thay vì làm suy yếu nó. Trớ trêu thay, hệ sinh thái mô hình càng cạnh tranh, lớp điều phối càng trở nên có giá trị bởi vì các doanh nghiệp yêu cầu một nền tảng trung lập có khả năng quản lý sự phức tạp đó. Điều này cuối cùng đưa chúng ta trở lại câu hỏi đầu tư trung tâm.
Trong hai năm qua, các nhà đầu tư đã tập trung một cách dễ hiểu vào việc xác định công ty nào sở hữu mô hình AI thông minh nhất bởi vì bản thân trí thông minh đại diện cho nút thắt cổ chai chính của ngành. Tôi ngày càng tin rằng nút thắt cổ chai đó đang bắt đầu dịch chuyển. Trí thông minh tiếp tục cải thiện nhanh chóng trên cả các mô hình độc quyền và trọng số mở, chi phí suy luận tiếp tục giảm mạnh và khách hàng doanh nghiệp đang ngày càng tập trung vào kinh tế học, quản trị và triển khai hơn là chỉ vị trí dẫn đầu điểm chuẩn.
Xuyên suốt lịch sử công nghệ, các nhà đầu tư đã nhiều lần đánh giá quá cao giá trị của bản thân phát minh trong khi đánh giá thấp giá trị của cơ sở hạ tầng cho phép áp dụng rộng rãi nó. Đường sắt đã biến đổi thương mại, nhưng mạng lưới vận chuyển hàng hóa đã nắm bắt được giá trị kinh tế định kỳ. Internet đã biến đổi truyền thông, nhưng điện toán đám mây đã trở thành một trong những doanh nghiệp vĩ đại nhất từng được tạo ra. Điện thoại thông minh đã biến đổi cuộc sống hàng ngày, nhưng các hệ điều hành và cửa hàng ứng dụng cuối cùng đã trở thành các nền tảng phân phối trị giá nghìn tỷ đô la.
Trí tuệ nhân tạo có thể đi theo chính xác cùng một khuôn mẫu. Thị trường tiếp tục tranh luận về việc ai xây dựng mô hình thông minh nhất. Tôi ngày càng tin rằng đó đang trở thành câu hỏi sai lầm. Câu hỏi quan trọng hơn là ai sở hữu cơ sở hạ tầng mà qua đó hàng nghìn tỷ quyết định AI cuối cùng sẽ chảy qua mỗi ngày. Trí thông minh đang trở nên ngày càng dồi dào. Suy luận đang trở nên ngày càng rẻ. Các mô hình đang trở nên ngày càng có thể hoán đổi cho nhau trên một tỷ lệ ngày càng tăng của các khối lượng công việc doanh nghiệp. Những gì còn khan hiếm là cơ sở hạ tầng đám mây toàn cầu, lòng tin của doanh nghiệp, sự điều phối, quản trị, bảo mật, tuân thủ, phân phối và khả năng tích hợp tất cả những khả năng đó vào một nền tảng liền mạch cho phép các tổ chức triển khai trí tuệ nhân tạo ở quy mô toàn cầu. Lịch sử gợi ý rằng các tài sản khan hiếm luôn nắm bắt phần lớn nhất của giá trị kinh tế dài hạn.
Đó là lý do tại sao niềm tin của chúng tôi mở rộng ra ngoài các công ty tạo ra chính trí thông minh và ngày càng hướng tới các công ty đang xây dựng hệ điều hành của nền kinh tế AI. Chương đầu tiên của trí tuệ nhân tạo là về việc phát minh ra trí thông minh. Chương tiếp theo có thể chứng tỏ là về việc phân phối nó một cách hiệu quả, an toàn và kinh tế đến mọi doanh nghiệp, mọi ngành công nghiệp và cuối cùng là mọi ngóc ngách của nền kinh tế toàn cầu. Theo quan điểm của chúng tôi, đó là nơi một trong những cơ hội đầu tư lớn nhất của thập kỷ tới có khả năng xuất hiện.
Kết luận: Mua cổ phiếu các công ty sau: NVDA, TSMC, SK Hynix, Micron, Samsung Electronics, Microsoft. Alphabet, Amazon, Meta.
