TL;DR
· Sau khi Kimi K3 ra mắt, cổ phiếu liên quan đến AI đã giảm vào thứ Sáu tuần trước, thị trường tái hiện lo ngại về chi tiêu tính toán từ DeepSeek R1.
· Kế hoạch đầu tư cơ sở hạ tầng AI khoảng 700 tỷ USD trong năm nay của các ông lớn đám mây Mỹ là con số cốt lõi tác động đến định giá của các mô hình trọng số mở.
· Mô hình mở có thể hạ giá mô hình đóng, nhưng cũng có thể mở rộng khối lượng sử dụng AI, không đồng nghĩa với nhu cầu tính toán đạt đỉnh.

Trong một báo cáo dành cho nhà đầu tư phổ thông, Deutsche Bank chỉ ra rằng sau khi Moonshot AI ra mắt Kimi K3, cổ phiếu AI vào thứ Sáu tuần trước lại xuất hiện "Khoảnh khắc DeepSeek": thị trường bắt đầu đặt lại câu hỏi, nếu các mô hình trọng số mở của Trung Quốc có thể tiếp cận các mô hình đóng tiên tiến với chi phí thấp hơn, liệu khoản chi tiêu cơ sở hạ tầng AI lên tới hàng trăm tỷ USD của các gã khổng lồ công nghệ Mỹ có còn hợp lý hay không.

Đây không phải là một cuộc tranh luận thuần túy về kỹ thuật. Báo cáo đề cập rằng vào thứ Sáu tuần trước, "Bảy ông lớn công nghệ" đã giảm khoảng 1,8%, chỉ số bán dẫn Philadelphia giảm khoảng 1,6%, khiến mức giảm tích lũy trong tuần vượt quá 10%. Google thuộc Alphabet, Microsoft, AWS của Amazon, Meta và Oracle dự kiến đầu tư khoảng 700 tỷ USD trong năm nay để xây dựng năng lực AI, tăng khoảng 70% so với năm ngoái.

Lý do khiến nhà đầu tư căng thẳng rất trực tiếp: Thị trường tăng giá AI trong vài năm qua được xây dựng trên một giả định – mô hình mạnh hơn cần nhiều chip hơn, nhiều trung tâm dữ liệu hơn, nhiều điện năng hơn và chi tiêu vốn cao hơn. Nhưng sau DeepSeek R1, Kimi K3 một lần nữa nhắc nhở thị trường rằng các mô hình giá rẻ, nhẹ, có thể tải xuống và tùy chỉnh đang đuổi kịp các ông lớn mô hình đóng.

Tại sao một bản phát hành mô hình lại ảnh hưởng đến NVIDIA và các nhà cung cấp đám mây?

Cú sốc từ DeepSeek R1 vào tháng 1 năm 2025 vẫn là một phần ký ức của thị trường. Báo cáo nhắc lại rằng vào thời điểm đó, thị trường lo ngại nhóm Trung Quốc đã tạo ra mô hình "đủ tốt" với chip cũ hơn và chi phí đào tạo thấp hơn, khiến vốn hóa thị trường của NVIDIA bốc hơi khoảng 600 tỷ USD chỉ trong một ngày.

Vấn đề mà Kimi K3 mang lại tương tự: Nếu các mô hình trọng số mở có thể đạt mức khả dụng trong nhiều ứng dụng, liệu doanh nghiệp có còn phải trả tiền cho các mô hình đóng đắt nhất không? Liệu các nhà cung cấp đám mây có còn cần xây dựng trung tâm dữ liệu với tốc độ hiện tại không? Liệu nhu cầu chip có chuyển từ "càng nhiều càng tốt" thành "rẻ hơn, hiệu quả hơn, phân tán hơn" không?

Điểm mấu chốt ở đây không phải là Kimi K3 đã vượt qua OpenAI hay Anthropic một cách toàn diện, mà là nó đủ để làm lung lay một phần giả định mặc định của thị trường về mô hình kinh doanh AI. Miễn là các mô hình "đủ tốt" ngày càng rẻ hơn, quyền định giá của các nhà sản xuất mô hình đóng sẽ bị thu hẹp, và câu chuyện tăng trưởng của các nhà cung cấp đám mây và công ty chip cũng sẽ phải chịu nhiều kiểm chứng hơn.

Đây cũng là lý do tại sao một buổi ra mắt mô hình có thể lan tỏa đến thị trường chứng khoán. Trong số bảy "ông lớn công nghệ", nhiều công ty vừa là nhà cung cấp mô hình và ứng dụng AI, vừa là những người mua trung tâm dữ liệu lớn nhất toàn cầu; trong khi chỉ số bán dẫn trực tiếp chịu tác động từ những thay đổi kỳ vọng về nhu cầu đối với GPU, thiết bị mạng và máy chủ AI.

Thứ thực sự tác động đến định giá không phải là từ "mã nguồn mở"

Nhiều mô hình AI được thị trường gọi là "mã nguồn mở", thực chất cách gọi chính xác hơn là "trọng số mở".

Các mô hình đóng (closed-source) giống nhất với dịch vụ "cắm và chạy". Các mô hình hàng đầu như GPT của OpenAI, Claude của Anthropic thường do nhà phát triển kiểm soát trọng số mô hình, phương pháp huấn luyện, định giá, cập nhật và giới hạn bảo mật; người dùng truy cập thông qua ứng dụng, API hoặc dịch vụ đám mây. Ưu điểm của chúng là tiện lợi, ổn định, tích hợp cao; nhược điểm là người dùng khó nắm quyền kiểm soát cơ bản và phải chấp nhận mức giá cùng quy tắc của nhà cung cấp dịch vụ.

Ngược lại, mô hình trọng số mở công bố các tham số sau huấn luyện, cho phép người dùng tải xuống, triển khai, tinh chỉnh, và thậm chí về mặt kỹ thuật có thể sửa đổi một số cài đặt bảo mật. DeepSeek R1, Llama của Meta, và nhiều mô hình của Mistral đều gần với loại này hơn. Chúng không nhất thiết công bố đầy đủ dữ liệu huấn luyện, mã nguồn huấn luyện và chi tiết tái tạo, do đó không hoàn toàn tương đương với hệ thống mã nguồn mở theo nghĩa chặt chẽ.

Sự khác biệt này rất quan trọng đối với khách hàng doanh nghiệp. Mô hình trọng số mở mang lại khả năng kiểm soát mạnh mẽ hơn: doanh nghiệp có thể chạy mô hình trên máy chủ riêng, giảm phụ thuộc vào API bên ngoài; cũng có thể tùy chỉnh theo ngành, ngôn ngữ hoặc nhiệm vụ cụ thể; đối với các tổ chức trong lĩnh vực tài chính, y tế, chính phủ nơi dữ liệu không thể tùy tiện rời khỏi môi trường nội bộ, triển khai tại chỗ càng hấp dẫn hơn.

Tuy nhiên, "có thể tải xuống" không đồng nghĩa với "miễn phí". Doanh nghiệp vẫn phải trả chi phí cho sức mạnh tính toán, điện năng, kỹ thuật, giám sát, bảo trì và bảo mật. Mô hình mở cũng chưa chắc có khả năng tổng quát, trải nghiệm sản phẩm và cam kết dịch vụ tương đương với các mô hình đóng hàng đầu. Nói cách khác, tác động của nó không phải là thay thế mô hình đóng chỉ sau một đêm, mà là cung cấp cho khách hàng một lựa chọn khác.

Bốn điểm mà định giá AI bị chất vấn

Trước hết, các mô hình như Kimi K3 tác động đến "tính khan hiếm".

Nếu các mô hình mạnh có thể được nhiều nhà phát triển sao chép, sửa đổi và lưu trữ, thì bản thân mô hình AI có thể ngày càng giống cơ sở hạ tầng phần mềm cơ bản, thay vì sản phẩm có biên lợi nhuận cao thuộc về riêng một số ít công ty. Các nhà cung cấp mô hình đóng vẫn có thể kiếm tiền nhờ sản phẩm, dữ liệu, bảo mật và hệ sinh thái, nhưng việc chỉ dựa vào "năng lực mô hình vượt trội" để thu phí cao sẽ trở nên khó khăn hơn.

Điểm thứ hai bị tác động là quyền định giá. Khi các tác nhân AI và nhân viên doanh nghiệp sử dụng nhiều token hơn, chi phí gọi mô hình đang chuyển từ hóa đơn nhỏ trong giai đoạn thử nghiệm thành khoản mục lớn trong ngân sách doanh nghiệp. Khi trợ cấp AI giảm bớt và các nhà cung cấp mô hình hàng đầu bắt đầu tính phí theo token rõ ràng hơn, khách hàng nhạy cảm về chi phí sẽ sẵn sàng thử nghiệm các mô hình mở hơn.

Thứ ba là chi tiêu vốn. Quy mô đầu tư AI của các gã khổng lồ công nghệ Mỹ hiện đã rất lớn. Kế hoạch xây dựng năng lực AI trị giá khoảng 700 tỷ USD trong năm nay của Google, Microsoft, AWS, Meta và Oracle là một trong những con số được thị trường quan tâm nhất. Nếu doanh nghiệp có thể giải quyết hầu hết các tác vụ bằng các mô hình nhỏ hơn, rẻ hơn và chuyên biệt hơn, các nhà đầu tư đương nhiên sẽ đặt câu hỏi: Chi tiêu cho chip, mạng lưới, điện năng và trung tâm dữ liệu có tăng quá nhanh hay không?

Thứ tư là hào công nghệ của Mỹ. Các mô hình trọng số mở của Trung Quốc liên tục được tung ra, làm suy yếu nhận định của thị trường về vị thế dẫn đầu AI "không thể lay chuyển" của Mỹ. Báo cáo đề cập rằng, trên nền tảng dành cho nhà phát triển OpenRouter trong năm nay, số lượng token do các mô hình Trung Quốc xử lý đã vượt qua các mô hình Mỹ. Điều này không có nghĩa là lợi thế AI của Mỹ biến mất, nhưng nó cho thấy lượng sử dụng của nhà phát triển và sự lan tỏa hệ sinh thái đang trở nên phân tán hơn.

Tất cả những tác động này cùng hướng đến một kết quả: Mô hình đóng vẫn là chuẩn mực năng lực tiên tiến, nhưng câu chuyện "mô hình đóng độc chiếm tất cả" đã yếu đi.

Mô hình mở không chỉ gây bất lợi cho AI, nó cũng có thể khuếch đại nhu cầu

Thị trường dễ hiểu những sự kiện kiểu này là "mô hình rẻ làm giảm nhu cầu chip". Nhưng đánh giá của báo cáo cân bằng hơn: Mô hình mở mạnh mẽ thực sự sẽ thách thức mô hình kinh doanh của mô hình đóng và kỳ vọng nhu cầu bán dẫn, nhưng cũng có thể có lợi cho việc áp dụng AI, phát triển ứng dụng và tùy chỉnh doanh nghiệp.

Lý do là, giá giảm thường mở rộng khối lượng sử dụng. Các mô hình rẻ hơn và hiệu quả hơn sẽ cho phép nhiều công ty đưa AI vào dịch vụ khách hàng, văn phòng, nghiên cứu và phát triển, quảng cáo, mã nguồn, phân tích dữ liệu và quy trình nội bộ. Những doanh nghiệp trước đây cho rằng chi phí API quá cao, dữ liệu không thể ra ngoài, mô hình không kiểm soát được, có thể bắt đầu triển khai AI nhờ các mô hình trọng số mở.

Điều này gần với logic của "Nghịch lý Jevons": Khi hiệu quả kỹ thuật tăng lên, chi phí đơn vị giảm, cuối cùng lượng tiêu thụ lại tăng lên. Hiệu quả của động cơ hơi nước tăng lên không làm giảm nhu cầu than đá, mà ngược lại mở rộng việc sử dụng năng lượng hơi nước. AI cũng có thể xảy ra tình huống tương tự – suy luận đơn lẻ rẻ hơn, nhưng số lần gọi, kịch bản ứng dụng và số lượng thiết bị đầu cuối tăng lên đáng kể.

Do đó, nhu cầu sức mạnh tính toán chưa chắc đã đạt đỉnh, chỉ là cấu trúc nhu cầu có thể thay đổi. Một số ít mô hình đóng tiên tiến nhất tiếp tục cần các cụm đào tạo và suy luận mạnh nhất; một lượng lớn mô hình mở có thể được triển khai trên đám mây, máy chủ nội bộ, điện thoại di động, ô tô và các thiết bị biên khác. Nhu cầu chip cũng có thể chuyển từ việc chỉ theo đuổi GPU mạnh nhất sang chú trọng hơn đến hiệu quả suy luận, mạng lưới, điện năng, lưu trữ và sức mạnh tính toán biên.

Đối với các công ty ứng dụng, mô hình mở ngược lại có thể giảm chi phí đầu vào. Doanh nghiệp có thể sử dụng các mô hình rẻ hơn cho các kịch bản dọc, công ty phần mềm có thể phát triển các sản phẩm cụ thể hơn trên nền tảng mô hình, và các nhà cung cấp đám mây cũng có thể tiếp tục kiếm tiền bằng cách lưu trữ các mô hình mở, cung cấp dịch vụ suy luận và hỗ trợ doanh nghiệp.

Mã nguồn đóng và mở sẽ cùng tồn tại, nhưng trách nhiệm quản lý vẫn chưa được làm rõ

Tình huống có khả năng xảy ra nhất không phải là mã nguồn mở đánh bại mã nguồn đóng, cũng không phải mã nguồn đóng độc chiếm trở lại, mà là cả hai sẽ cùng tồn tại lâu dài.

Các mô hình mã nguồn đóng sẽ tiếp tục đảm nhận vai trò về năng lực tiên tiến, chất lượng cấp công nghiệp, đánh giá an toàn và tích hợp sản phẩm chuyên sâu. Các mô hình trọng số mở sẽ buộc các nhà sản xuất mã nguồn đóng phải kiểm soát giá cả, tăng tính linh hoạt, và chuyển cuộc cạnh tranh từ "trọng số mô hình của ai mạnh hơn" sang dữ liệu, thiết kế sản phẩm, khả năng ghi nhớ, an toàn, hiệu quả và dịch vụ hệ sinh thái.

Các công ty mô hình mở trọng số cũng không nhất thiết là làm từ thiện. Nhà phát triển có thể kiếm tiền thông qua API lưu trữ, đăng ký cao cấp, suy luận nhanh hơn, hỗ trợ doanh nghiệp, tinh chỉnh, dịch vụ bảo mật và thỏa thuận cấp độ dịch vụ; nhà cung cấp dịch vụ đám mây có thể bán sức mạnh tính toán cần thiết để chạy các mô hình mở; nền tảng tiêu dùng có thể nhúng khả năng mô hình vào đề xuất, quảng cáo và trải nghiệm người dùng; các công ty ứng dụng có thể xây dựng chức năng với chi phí thấp hơn.

Điều thực sự chưa được giải quyết là ranh giới trách nhiệm. Các mô hình trọng số mở mang lại cho người dùng nhiều quyền kiểm soát hơn, nhưng cũng khiến họ phải chịu nhiều trách nhiệm hơn về kiểm thử, bảo vệ an toàn, an ninh mạng, cập nhật và độ tin cậy. Một khi mô hình được tải xuống, sửa đổi và triển khai cục bộ, ai sẽ chịu trách nhiệm về việc lạm dụng, sự cố hoặc tai nạn an toàn sẽ phức tạp hơn so với chế độ API mã nguồn đóng.

Quy định cũng có thể thay đổi cục diện cạnh tranh. Các nhà sản xuất mô hình mã nguồn đóng như Anthropic chủ trương yêu cầu các nhà phát triển AI tiên tiến phải kiểm tra rủi ro thảm họa, đánh giá bên ngoài và tiết lộ liên tục; các nhà phê bình lo ngại rằng quy định quá nặng nề sẽ khiến các công ty lớn có nguồn lực dồi dào có lợi thế hơn, từ đó kìm hãm hệ sinh thái mở và sự đổi mới của các nhóm nhỏ.

Vì vậy, "Khoảnh khắc DeepSeek lần thứ hai" mà Kimi K3 mang lại không phải là một tín hiệu tiêu cực đơn giản cho AI. Nó giống như một bài kiểm tra áp lực hơn: 700 tỷ đô la chi tiêu cho AI, phí mô hình mã nguồn đóng, lợi thế công nghệ của Mỹ và nhu cầu chip đều phải trả lời lại cùng một câu hỏi — khi trí thông minh "đủ tốt" trở nên rẻ hơn, ngành công nghiệp AI sẽ kiếm tiền từ đâu.

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia