Báo cáo mới nhất từ cổ đông Anthropic vạch trần mô hình Trung Quốc hút vốn nhất trong thị trường doanh nghiệp

Tiêu đề gốc: "Báo cáo mới nhất từ cổ đông Anthropic, tiết lộ mô hình Trung Quốc hút tiền nhất trong thị trường doanh nghiệp"
Tác giả gốc: Động Sát Beating

Ngày 3 tháng 11, quỹ đầu tư mạo hiểm lâu đời của Thung lũng Silicon Menlo Ventures đã công bố "Báo cáo Hiện trạng AI Doanh nghiệp" năm nay.

Để nắm rõ doanh nghiệp năm nay thực sự đã chi bao nhiêu tiền, Menlo đã ủy thác Morning Consult vào tháng 9 hỏi gần 400 nhà ra quyết định AI của các doanh nghiệp Mỹ, những người này quản lý chi tiêu AI vượt quá 4 tỷ USD. Theo tính toán của Menlo, tính đến tháng 9 năm nay, các doanh nghiệp Mỹ đã chi 176,8 tỷ USD cho việc triển khai AI, gấp 5,4 lần con số 33 tỷ USD của một năm trước.

Tháng 9 năm 2026, mô hình Trung Quốc chiếm 89% chi tiêu mô hình mã nguồn mở của doanh nghiệp Mỹ

Trong đó Kimi dẫn đầu với thị phần 61%

Nguồn ảnh: Menlo Ventures

Trong báo cáo viết cho Thung lũng Silicon này, có một nhóm số liệu. Chi tiêu sản xuất của doanh nghiệp Mỹ cho mô hình mã nguồn mở, mô hình Trung Quốc chiếm gần chín phần mười. Trong đó Kimi một mình chiếm 61%, tiếp theo là DeepSeek 15%, GLM 11%, Qwen 3%. Mô hình mã nguồn mở phương Tây đứng đầu là Meta Llama, chỉ có 7%.

Menlo Ventures, đơn vị viết báo cáo, là cổ đông quan trọng của Anthropic, năm 2024 đã dẫn đầu vòng gọi vốn D trị giá 750 triệu USD của công ty này.

Ngoài ra, Fireworks AI - đám mây suy luận hàng đầu chuyên lưu trữ Kimi trên máy chủ để bán cho doanh nghiệp Mỹ, doanh thu hàng năm vừa vượt 1 tỷ USD trong năm nay - là do Menlo đầu tư; nền tảng định tuyến mô hình OpenRouter xử lý 160 nghìn tỷ token mỗi tuần cũng do Menlo đầu tư; Cursor, được báo cáo đặc biệt nhắc đến với việc huấn luyện Composer 2 trên Kimi K2.5, cũng do Menlo đầu tư.

Nếu chỉ nhìn vào dữ liệu báo cáo, bạn sẽ nghĩ rằng các gã khổng lồ mô hình đóng và phe mã nguồn mở từ lâu đã phải đấu tranh sống chết, và các mô hình hai bờ Thái Bình Dương cũng nên phân định rõ ràng, nhưng người lớn nhìn lợi hại, trẻ con mới phân phe cánh.

Ngoài những dữ liệu và quan hệ lợi ích này, động thái Beating còn muốn hiểu rõ hơn là tại sao lại chính là Kimi, trở thành lựa chọn mà các doanh nghiệp Mỹ sẵn sàng chi tiền nhất ngoài các mô hình nguồn đóng hàng đầu?

Cái giá của việc làm lại

Để hiểu được con số "61%" này của Kimi, trước tiên cần hiểu thói quen chi tiêu AI của doanh nghiệp Mỹ năm nay: mô hình càng rẻ, càng ít người dùng.

Hai năm qua, nhận định phổ biến nhất trong ngành là chi phí suy luận giảm 90% mỗi năm, doanh nghiệp sớm muộn gì cũng sẽ chuyển quy trình làm việc sang các mô hình nhỏ rẻ hơn. Các phòng thí nghiệm cũng thực sự bán mô hình nhỏ ngày càng rẻ.

Kết quả lại hoàn toàn ngược lại.

Từ quý III năm 2025 đến quý III năm 2026, thị phần token của các mô hình nguồn đóng nhỏ như Haiku, Luna trên thị trường doanh nghiệp giảm từ 29% xuống 13%, giảm hơn một nửa. Các mô hình hàng đầu đắt nhất, thị phần token tăng từ 18% lên 42%, thị phần chi tiêu tăng từ 35% lên 63%.

Thị phần của mô hình hàng đầu trong chi tiêu AI doanh nghiệp và lượng token sử dụng tăng đồng thời

Nguồn hình: Menlo Ventures

Một năm trước, lực lượng chính được doanh nghiệp Mỹ dùng nhiều nhất vẫn là Claude Sonnet 4.5 với giá đầu vào 3 USD, đầu ra 15 USD (mỗi triệu token, tương tự bên dưới), và GPT-5 với 1,25 USD, 10 USD. Đến mùa thu năm nay, mọi người lại xếp hàng chuyển sang các mô hình hàng đầu đắt hơn.

Các công ty Mỹ khôn ngoan, tại sao đột nhiên không còn ham rẻ nữa?

Lý do rất đơn giản: người dùng mô hình để làm việc đã từ con người chuyển thành Agent.

Tháng 2 năm nay, lưu lượng do Agent khởi tạo trên OpenRouter chính thức vượt qua con người; đến cuối tháng 9, 80% token trên nền tảng là do Agent tự chạy ở chế độ nền, tăng 37 lần trong hơn nửa năm. Trong 77,3 tỷ USD chi tiêu ứng dụng AI doanh nghiệp, 76% tập trung vào lập trình và Agent doanh nghiệp.

Agent làm việc và con người sử dụng AI không cùng một logic.

Một Agent lập trình khi nhận nhiệm vụ, thường phải chạy liên tục bốn năm mươi vòng giữa kho mã, terminal và sandbox: đọc tệp, gọi công cụ, chạy kiểm thử, xem lỗi, rồi sửa mã.

Trong các tác vụ chuỗi dài, cái giá của sai lầm được tích lũy theo cấp số nhân. Một mô hình có độ chính xác từng bước 99% chạy liên tục 50 bước, xác suất hoàn thành trót lọt chỉ khoảng sáu mươi phần trăm; đổi sang mô hình có từng bước 95%, xác suất chạy hết 50 bước mà không vấp ngã chưa tới 8%.

Thế là doanh nghiệp nhanh chóng hiểu ra, giờ mua mô hình không nên chỉ nhìn vào đơn giá niêm yết trên bảng giá, mà còn phải nhìn vào tổng chi phí để giải quyết xong việc ngay từ lần đầu.

Hiểu thông điều này, tình cảnh của các mô hình mã nguồn mở năm nay cũng dễ hiểu thôi.

Một năm qua, thị phần token của mô hình mã nguồn mở tăng từ 11% lên 19%, lượng gọi gấp 22,5 lần một năm trước; nhưng thị phần chi tiêu nhận được lại giảm từ 6% xuống 4%. Nguyên nhân là phần lớn mô hình mã nguồn mở bị cuốn vào cuộc chiến giá, đơn giá trung bình giảm xuống chưa bằng một phần ba ban đầu, chỉ còn 0,13 USD mỗi triệu token, chưa bằng một phần năm giá trung bình tổng hợp của mô hình đóng.

Mô hình mã nguồn mở đảm nhận gần một phần năm khối lượng công việc, nhưng chỉ chia được một phần hai mươi lăm số tiền trên bàn.

61% của Kimi, chính là vì nó không nhảy vào cái bẫy 0,13 USD.

Linh kiện tiêu chuẩn

Ngày 16 tháng 7 năm nay, Moonshot ra mắt Kimi K3 với 2,8 nghìn tỷ tham số, giá API chính thức là 3 USD cho đầu vào, 15 USD cho đầu ra, ngang giá với Sonnet 4.5 - mô hình đóng đầu bảng một năm trước, và cũng gấp hơn ba lần K2.6 thế hệ trước. K3.1 Pro ra mắt ngày 23 tháng 10 giảm xuống 2 USD và 10 USD, vẫn ở phân khúc đầu bảng.

Định giá theo mức đầu bảng trong một thị trường mã nguồn mở có giá trung bình 0,13 USD, sự tự tin trước hết đến từ thành tích của chính mô hình trên ngữ cảnh dài, đa phương thức nguyên bản và lập trình.

Nhưng chỉ có điểm benchmark thì không đủ.

Trọng số của mô hình mã nguồn mở là công khai, đổi một mô hình trong menu thả xuống của đám mây suy luận chỉ cần sửa một dòng cấu hình. Dựa vào đâu mà doanh nghiệp Mỹ khi mua sắm lại trả thêm tiền cho nó?

Ở đây ẩn chứa một vấn đề kỹ thuật đau đầu nhất sau khi mô hình mã nguồn mở bước ra khỏi phòng thí nghiệm.

Vì tuân thủ dữ liệu và độ trễ, phần lớn doanh nghiệp Mỹ không gửi thẳng mã và tài liệu đến máy chủ ở nước ngoài, mà mua dịch vụ lưu trữ của các đám mây bản địa như Fireworks, Together hay Amazon Bedrock. Nhưng trong một năm qua, các đội kỹ thuật ở Thung lũng Silicon thường xuyên phát hiện, một mô hình mã nguồn mở nào đó thông minh tuyệt đỉnh trong bản demo chính thức, nhưng một khi được kết nối vào môi trường sản xuất của chính họ, gọi qua giao diện của đám mây suy luận bên thứ ba, nó lại trở nên ngớ ngẩn một cách khó hiểu sau vài chục lượt gọi công cụ liên tiếp.

Lý do nằm ở chỗ, đám mây suy luận là một ngành kinh doanh cực kỳ coi trọng vòng quay card đồ họa. Một card trong cùng một giây có thể nhét được bao nhiêu yêu cầu, trực tiếp quyết định biên lợi nhuận gộp của nhà cung cấp dịch vụ đám mây trong quý đó. Để tiết kiệm bộ nhớ hiển thị, giành tốc độ thông lượng, các nền tảng khác nhau thường sẽ thực hiện nén lượng tử hóa khác nhau đối với mô hình MoE hàng nghìn tỷ tham số ở chế độ nền, hoặc đơn giản hóa mẫu phân tích cú pháp của lệnh gọi công cụ.

Khi trò chuyện thông thường, sự suy giảm độ chính xác này không thể nhìn ra; nhưng khi đưa vào vòng lặp Agent gồm hàng chục bước móc nối với nhau, độ lệch đủ để khiến mô hình chọn sai chuyên gia, viết hỏng định dạng, làm sập toàn bộ quy trình công việc.

Khách hàng mua hàng vì danh tiếng của mô hình, sau đó nhiệm vụ thất bại, cuối cùng nhà sản xuất gốc vẫn phải chịu trách nhiệm.

Kimi rất thông minh, nó không đưa ra tuyên bố để tranh cãi với nhà cung cấp dịch vụ đám mây nào, mà trực tiếp mã nguồn mở và liên tục vận hành một bộ công cụ xác minh độ chính xác của nhà cung cấp.

Ngay từ thời K2, nó đã mã nguồn mở K2 Vendor Verifier, sử dụng cùng một bộ kiểm thử để so sánh hiệu suất của các đám mây suy luận khác nhau và API chính thức trên lệnh gọi công cụ. Khi phát hành K2.6 vào tháng 4 năm nay, bộ công cụ này được nâng cấp thành KVV (Kimi Vendor Verifier), các mục kiểm thử bao gồm mẫu hồi quy lệnh gọi công cụ trong ngữ cảnh dài, xác thực JSON schema, từ chối lệnh gọi dị dạng, kiểm thử bộ nhớ dài cấp hàng triệu token, và 113 nhiệm vụ Agent lập trình. Thành tích chạy ra của các đám mây suy luận khác nhau được treo trên GitHub dưới dạng bảng.

Kimi Vendor Verifier công khai đối chiếu các nhà cung cấp khác nhau

hiệu suất triển khai K3.1 Pro

Nguồn hình: Moonshot AI / GitHub

Nhà cung cấp dịch vụ đám mây nào lén giảm độ chính xác để tiết kiệm máy móc, nhà phát triển có thể nhìn ra ngay trên bảng điều khiển.

Để căn chỉnh điểm số của KVV với mức của API chính thức Kimi, các nhà cung cấp dịch vụ đám mây suy luận ở Thung lũng Silicon buộc phải quay sang tìm kỹ sư của Kimi để cùng bắt lỗi.

Đội ngũ kỹ thuật của Fireworks AI sau đó đã đặc biệt đăng bài tổng kết, kể về việc họ đã phối hợp với đội ngũ Kimi để vá hàng rào giải mã tầng dưới, dọn dẹp các trường dư thừa trong hội thoại nhiều lượt, cuối cùng mài giũa hiệu suất lệnh gọi công cụ của giao diện được lưu trữ đạt đến mức của nhà sản xuất gốc.

Hầu hết các đội ngũ làm mã nguồn mở chỉ đơn giản là đưa trọng số lên mạng, còn lại phó mặc cho số phận. Nhưng Moonshot AI lại mang phong cách kiểm soát chất lượng nghiêm ngặt vào thế giới mã nguồn mở: tôi không thu phí vào cửa của bạn, nhưng tôi phải quản lý cách bạn dọn món ăn lên bàn.

Điều này đánh trúng dây thần kinh nhạy cảm nhất trong mua sắm của doanh nghiệp. Đối với các lãnh đạo kỹ thuật ở Thung lũng Silicon, KVV đã hiệu chuẩn lại những sản phẩm phi tiêu chuẩn nằm rải rác trong các phòng máy khác nhau thành những linh kiện tiêu chuẩn được chứng nhận bởi nhà sản xuất gốc.

Ba phần tư

Nếu chỉ có chất lượng được quản lý, Kimi cùng lắm chỉ là một ngoại binh hữu dụng. Một cái tên khác được nhắc đến trong báo cáo đã hé lộ giá trị tầng thứ hai của nó ở nước ngoài, đó chính là Cursor.

Sự kiện giao lưu trực tiếp giữa Cursor và nhà đầu tư Accel

Nguồn ảnh: Accel

Menlo viết rằng, tỷ lệ nhà phát triển AI thực hiện huấn luyện hậu kỳ trong năm nay đã tăng từ 6% lên 10%. Trường hợp điển hình nhất chính là việc Cursor huấn luyện Composer 2 trên Kimi K2.5, với Fireworks cung cấp suy luận trong giai đoạn học tăng cường.

Dữ liệu của Menlo phơi bày rõ ràng tình cảnh của các công ty ứng dụng độc lập: trong 176,8 tỷ USD chi tiêu cho AI doanh nghiệp năm nay, ba phòng thí nghiệm Anthropic, OpenAI và Google lấy đi 122,7 tỷ USD, chiếm 69%, so với 50% một năm trước. Trong đó, các ứng dụng của chính các phòng thí nghiệm đã lấy đi 40 tỷ USD.

Chỉ riêng trong lĩnh vực lập trình trị giá 34 tỷ USD, hai sản phẩm Claude Code và Codex đã nuốt trọn 24 tỷ USD, chiếm 70%.

Các công ty ứng dụng càng thành công càng giúp chứng minh với thượng nguồn rằng thị trường này đủ lớn, và một khi thị trường đã được chứng minh là đủ lớn, thượng nguồn nắm giữ mô hình và năng lực tính toán càng có lý do để tự mình tham gia. Tiếp tục chỉ làm kẻ bán lại, sớm muộn gì cũng bị thượng nguồn đè bẹp.

Đầu tháng 1 năm nay, Cursor đã tổ chức nội bộ một sự kiện được gọi là "War Time", người sáng lập Michael Truell yêu cầu toàn bộ nhân viên tăng tốc tự phát triển mô hình.

Nhưng các công ty ứng dụng muốn vươn lên đâu phải chuyện dễ, Cursor trong tay có hàng triệu lập trình viên mỗi ngày viết mã, sửa tệp, chạy terminal với những quỹ đạo tương tác thực tế, đây là nhiên liệu tốt nhất để làm học tăng cường, nhưng nó chỉ có vài chục nghìn GPU, không có hàng triệu card, cũng không có thời gian dành nửa năm để huấn luyện từ đầu một nền tảng tiền huấn luyện với hàng nghìn tỷ tham số.

Ngoài ra, vài ngày sau khi Cursor tổ chức cuộc họp nội bộ, Anthropic đã thắt chặt quy định, không còn cho phép các công cụ lập trình bên thứ ba đăng nhập và gọi bằng tài khoản đăng ký cá nhân.

Lối sống duy nhất là đến với thế giới mã nguồn mở để mượn một thân hình tốt, dồn toàn bộ thép tốt vào giai đoạn nửa sau của học tăng cường.

Ngày 19 tháng 3, Cursor phát hành Composer 2, giá đầu vào 0,5 đô la, đầu ra 2,5 đô la, đúng bằng một phần mười của Claude Opus 4.6 thời điểm đó. Lee Robinson của Cursor sau này nói rằng trong lượng tính toán mà mô hình cuối cùng tiêu thụ, chỉ khoảng một phần tư đến từ mô hình nền, phần còn lại đều dành cho quá trình huấn luyện của chính Cursor.

Điều này đã viết lại tiêu chuẩn chọn mô hình mã nguồn mở của các công ty ứng dụng.

Trước đây mọi người chọn mô hình mã nguồn mở giống như chọn một bộ quần áo may sẵn mang về mặc ngay, ai đạt điểm cao hơn hai điểm trên bảng xếp hạng công khai thì chọn người đó. Nhưng trong phần phụ lục báo cáo kỹ thuật dài 46 trang mà Cursor công bố sau đó, nhóm nghiên cứu viết rằng khi đánh giá các mô hình nền ứng viên, nhóm cố ý không xem điểm số của loại Agent lập trình, lý do là loại bảng xếp hạng này có khả năng dự đoán hiệu quả cuối cùng yếu hơn, vì năng lực Agent và tác vụ dài hạn sẽ bị thay đổi lớn trong giai đoạn học tăng cường.

Nhiều mô hình để trông đẹp vào ngày công bố bảng xếp hạng đã được nhồi đầy tinh chỉnh nhắm vào bộ đề cụ thể trước khi xuất xưởng, không gian trọng số bị ép chặt như một miếng bọt biển hút đầy nước; người ngoài nhìn thấy điểm cao, nhưng mua về muốn đổ thêm gấp ba lần tính toán học tăng cường, mô hình sẽ nhanh chóng bị sụp đổ năng lực.

Cursor trực tiếp đưa các mô hình ứng viên đến công trường của mình để thử việc.

Họ chỉ kiểm tra ba việc: dự trữ kiến thức lập trình nền tảng, khả năng theo dõi trạng thái sau khi một tệp bị sửa đổi liên tục hàng chục lần, và perplexity của mô hình trên kho mã lớn riêng tư của Cursor.

Sau khi kiểm tra, Kimi K2.5 được giữ lại. Lý do báo cáo đưa ra là hiệu suất tổng hợp mạnh, và chạy đủ hiệu quả trên cơ sở hạ tầng của chính Cursor. Sau quá trình tiền huấn luyện liên tục và học tăng cường, Composer 2 trên bộ đánh giá CursorBench của chính Cursor đã tăng từ 36,0 của mô hình nền lên 61,3, vượt qua 58,2 của Claude Opus 4.6.

Tháng 5, Cursor lại ra mắt Composer 2.5 trên cùng mô hình nền K2.5.

Cuộc đột phá từ xuân đến hạ này đã để lại cho Thung lũng Silicon một mẫu hình: đối với các công ty ứng dụng hàng đầu, mô hình trọng số mở không còn là phương án thay thế tiết kiệm chi phí, mà là điểm khởi đầu mà số ít có thể nắm lấy và tiếp tục đổ tiền huấn luyện tài sản riêng trên đó.

Tiền trà nước

Cursor đẩy Composer 2 - được huấn luyện dựa trên K2.5 - tới người dùng của mình, các doanh nghiệp Mỹ gọi Kimi trong môi trường sản xuất, và những người đỡ lấy lưu lượng này chủ yếu là các đám mây suy luận của Mỹ như Fireworks, Together.

Đặt Kimi, Fireworks và Cursor cạnh nhau, có thể thấy một sự phân công rất có chừng mực.

Đổi sang một công ty khác đang sốt ruột chứng minh năng lực thương mại hóa, thấy mô hình của mình được ưa chuộng ở Thung lũng Silicon, phản ứng đầu tiên thường là thuê văn phòng ở San Francisco, chiêu mộ một loạt nhân viên bán hàng doanh nghiệp với lương cao, trực tiếp gõ cửa các khách hàng lớn của Mỹ, và bỏ túi toàn bộ phần chênh lệch ở giữa.

Moonshot AI không làm vậy.

Tháng 7 năm 2025, Menlo cũng đã viết trong báo cáo giữa năm rằng doanh nghiệp Mỹ không muốn gọi trực tiếp API của các công ty Trung Quốc, đây là một trong những nguyên nhân khiến thị phần mô hình mã nguồn mở trì trệ. Ngưỡng cửa tuân thủ và tin cậy này, dựa vào việc nhân viên bán hàng bay tới California mòn cả môi cũng không vượt qua được.

Thay vì đâm đầu vào bức tường đó, chi bằng nhường miếng thịt phía trước cho các đối tác bản địa Mỹ. Đội ngũ kỹ thuật của Kimi phối hợp với các nền tảng như Fireworks để tinh chỉnh công cụ suy luận trước và sau khi mô hình ra mắt, doanh nghiệp Mỹ ký hợp đồng với nhà cung cấp đám mây Mỹ, dữ liệu ở lại phòng máy tại Mỹ.

Tủ rack máy chủ tại trung tâm dữ liệu của Microsoft ở Quincy, bang Washington, Mỹ

Nguồn ảnh: John Brecher / Microsoft

Chính vì Moonshot AI không thò tay vào việc kinh doanh, Fireworks mới sẵn lòng ra sức quảng bá Kimi, và các kỹ sư của Cursor mới dám xây sản phẩm chủ lực của mình trên trọng số của K2.5. Khi mọi người đều có tiền kiếm, việc này mới thành quy mô được.

Về vấn đề doanh thu của chính Moonshot AI, họ đã ghi quy định vào giấy phép của K3.1 Pro.

Triển khai nội bộ trong doanh nghiệp, làm nghiên cứu, hoặc lấy đi tinh chỉnh để làm sản phẩm của riêng mình, đều không cần báo trước. Chỉ có hai trường hợp cần ngồi xuống bàn bạc, một là dùng nó để làm dịch vụ lưu trữ mô hình, cung cấp dịch vụ suy luận hoặc tinh chỉnh ra bên ngoài, có doanh thu liên tục 12 tháng vượt 20 triệu USD thì phải ký thỏa thuận riêng với Moonshot AI; hai là sản phẩm đầu cuối có số người dùng hoạt động hàng tháng vượt 100 triệu hoặc doanh thu hàng tháng vượt 20 triệu USD, phải ghi rõ tên mô hình trên giao diện. Sử dụng qua sản phẩm chính thức của Moonshot AI hoặc đối tác suy luận được chứng nhận thì không bị ràng buộc bởi hai điều này.

Tháng 8, Reuters đưa tin Moonshot AI đang đàm phán với Microsoft, Amazon và Google về việc chia sẻ doanh thu cho các dịch vụ liên quan đến K3, mức giá yêu cầu cao nhất là 30%.

Chưa đầy một tháng sau, theo giờ Mỹ ngày 18 tháng 9, Amazon đã đưa K3 lên Bedrock. Giá gói tiêu chuẩn toàn cầu giống với giá chính thức của Moonshot AI, 3 USD và 15 USD, tỷ lệ chia sẻ doanh thu không được công bố.

Con đường của Microsoft thì vòng vèo hơn. K3 đã vào Microsoft Foundry từ cuối tháng 7, nhưng khi đó Fireworks chạy suy luận ở phía sau, Foundry chỉ phụ trách việc kết nối. Theo giờ Mỹ ngày 5 tháng 11, Microsoft công bố trên blog của mình rằng K3.1 Pro chính thức lên kệ Foundry.

Theo cách nói của những người làm ăn thời trước, đây gọi là đường nhỏ cứ đi thoải mái, đường lớn thì phải trả tiền nước. Trong một trăm công ty khởi nghiệp còn đang thử sai, có chín mươi chín công ty Kimi không thu một xu; đợi đến khi ai đó thực sự làm thành một mối làm ăn lớn hàng chục triệu USD một năm, lúc đó mới ngồi xuống bàn theo quy tắc.

Biết rõ phần tiền nào hiện tại không nên tự mình kiếm, đôi khi còn thử thách sự kiên định hơn là biết cách kiếm tiền.

Mèo đen mèo trắng

Kéo ánh nhìn ra xa hơn khỏi lát cắt 61% này, nhóm dữ liệu của mùa thu năm nay đáng để suy ngẫm là vì nó thể hiện một mối quan hệ mới mà ngành công nghiệp mô hình lớn sau ba năm mài giũa đã tự nhiên sinh trưởng ra.

Hai năm trước, cuộc tranh luận ở Thung lũng Silicon về cục diện cuối cùng của ngành là trắng đen rõ ràng, một phe cho rằng mô hình đóng hàng đầu sẽ thâu tóm tất cả, các công ty ứng dụng sớm muộn sẽ trở thành một lớp giao diện mỏng manh; phe kia tin rằng mã nguồn mở sẽ biến trí tuệ thành nước máy miễn phí, khiến tất cả các công ty mô hình đều không kiếm được tiền.

Đến năm 2026, cả hai viễn cảnh đều không thành hiện thực.

Anthropic và OpenAI vẫn chiếm 86% chi tiêu API mô hình lớn của doanh nghiệp Mỹ. Khi ngân hàng đầu tư Phố Wall thẩm định một hợp đồng mua bán xuyên quốc gia, khi công ty dược phẩm thực hiện một lần rà soát tài liệu không cho phép sai sót, họ vẫn sẽ không chút do dự trả tiền cho mô hình đóng hàng đầu đắt nhất. Ngân sách chảy về mã nguồn mở cũng không trở thành đấu trường so sánh sức tính toán giá rẻ, mà ngược lại tập trung về những mô hình tiệm cận tiên phong như Kimi.

Giữa mã nguồn mở và mã nguồn đóng, không còn là một chiến hào không thể vừa cái này vừa cái kia. Dưới sự thúc đẩy của các nhiệm vụ phức tạp, giữa hai bên đã mọc lên một vùng giao thoa rộng lớn.

Trong vùng giao thoa này, nhiều công ty Thung lũng Silicon sử dụng Kimi với cường độ cao cũng đồng thời là khách hàng lớn của Anthropic và OpenAI. Giai đoạn đầu của sản phẩm, họ dùng mô hình đóng mạnh nhất để chạy thông hình thái, xác thực nhu cầu; đợi đến khi một quy trình công việc chuỗi dài nào đó được xác thực là khả thi, lượng gọi bắt đầu tăng theo cấp số nhân, hoặc như Cursor tích lũy đủ dữ liệu tương tác độc quyền, muốn huấn luyện kinh nghiệm ngành vào trọng số, họ sẽ quay sang tìm nền tảng mở gần tiên phong nhất và cho phép mình cải tạo sâu.

Trước đây, giữa công ty mô hình và công ty ứng dụng, một bên bán API, một bên mua API. Một khi công ty mô hình tự làm ứng dụng, hai bên lập tức trở thành đối thủ trong cuộc chơi tổng bằng không.

Còn bây giờ, công ty ứng dụng đầu tư ba phần tư sức tính toán vào các mô hình mở để tiếp tục huấn luyện, trở thành "nửa công ty mô hình"; tầm ảnh hưởng của nhà phát triển mô hình không còn chỉ nhìn vào việc bán được bao nhiêu token, mà còn phải xem có bao nhiêu sản phẩm cốt lõi của người khác được nuôi dưỡng từ trọng số của nó.

Hình ảnh chủ đạo do Kimi K3.1 Pro chính thức công bố

Nguồn ảnh: Moonshot AI

Ngày thứ hai sau khi báo cáo Menlo được công bố, tức ngày 4 tháng 11, Moonshot AI đúng hẹn tung ra toàn bộ trọng số của Kimi K3.1 Pro trên Hugging Face. Theo thành tích do chính Moonshot AI công bố, nó đạt 65,7% trên Terminal-Bench 4.0 - bài kiểm tra đo năng lực thực chiến của Agent lập trình, cao hơn 58,2% của GPT-6 Astra, chỉ kém 0,7 điểm phần trăm so với 66,4% của Claude Opus 5.5.

Đối với các đội ngũ Mỹ đặt toàn bộ đường ống sản phẩm lên nền tảng mã nguồn mở, 0,7 điểm này, cùng nhịp độ cứ vài tháng lại tiến thêm một bước từ K2, K2.5, K2.6 đến K3, K3.1 Pro, còn khiến người ta yên tâm hơn bất kỳ khẩu hiệu mã nguồn mở nào. Các mô hình chuyên dụng sau huấn luyện cứ vài tháng lại phải huấn luyện lại theo tiên tiến nhất. Chọn một nền tảng, đồng nghĩa với việc chọn luôn tốc độ lặp của công ty đó trong một năm tới.

Ở San Francisco, có lẽ không công ty khởi nghiệp nào dám viết "nền tảng của chúng tôi đến từ Trung Quốc" lên trang đầu slide gọi vốn, xuất xứ của mô hình lớn vẫn là một từ nhạy cảm.

Nhưng chỉ cần quay lại phòng máy chủ vận hành mỗi ngày, quay lại đêm khuya kỹ sư dán mắt vào màn hình chờ 50 vòng lặp Agent chạy thông, mọi khẩu hiệu đều nhường chỗ cho chủ nghĩa thực dụng. Ai bắt được chuột, người đó là mèo giỏi.

Khi các công ty ứng dụng bên kia đại dương thực sự cần một đối tác chịu được thử thách, ngẩng đầu lên, sẽ thấy nó đã đứng đó từ lâu.

Liên kết gốc

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