Video tiêu đề: Cung Cấp và Nhu Cầu của Token AI | Phỏng vấn Dylan Patel
Tác giả video: Invest Like The Best
Biên dịch: Peggy, BlockBeats

Biên tập viên: Trong bối cảnh khả năng của các mô hình AI liên tục tiến bộ, các công cụ như Claude Code, Cursor được doanh nghiệp tích hợp quy mô lớn, ngành công nghiệp đang chuyển từ "mô hình mạnh đến đâu" sang "làm thế nào để mô hình đi vào sản xuất". Nhưng khi lập trình AI, phân tích tự động và mô hình dữ liệu dần trở thành nhận thức chung mới, một câu hỏi nền tảng hơn bắt đầu nổi lên: Khi chi phí thực thi giảm nhanh, thứ thực sự khan hiếm là nhân lực, vốn, hay quyền sử dụng các mô hình tiên tiến và token?

Trái là người dẫn chương trình Patrick O'Shaughnessy, phải là Dylan Patel

Bài viết tổng hợp từ cuộc đối thoại giữa Patrick O'Shaughnessy và Dylan Patel, sáng lập SemiAnalysis. Dylan lâu nay chú ý đến hạ tầng AI, chuỗi cung ứng bán dẫn và kinh tế mô hình, trong cuộc trò chuyện này, anh bắt đầu từ việc chi tiêu cho Claude Code tăng vọt của công ty mình, bàn về cách AI thay đổi tổ chức doanh nghiệp, dịch vụ thông tin, nhu cầu token, chuỗi cung ứng tính toán và cảm xúc xã hội.

Điều đáng chú ý nhất trong cuộc đối thoại này không phải là một mô hình lại đạt benchmark mới, mà là cách nó giúp ta hiểu về kinh tế AI — xem AI như một hệ thống sản xuất đang phân phối lại khả năng thực thi, hiệu quả tổ chức và lợi nhuận ngành công nghiệp, chứ không chỉ là một nâng cấp phần mềm.

Có thể hiểu cuộc đối thoại này từ năm góc độ chính.

Thứ nhất, chi phí thực thi bị xóa bỏ. Trước đây, ý tưởng không khan hiếm, thực sự khó khăn là biến ý tưởng thành sản phẩm, hệ thống và dịch vụ có thể giao hàng. Giờ đây, Claude Code giúp người không kỹ thuật cũng có thể viết code, xây dựng ứng dụng, phân tích dữ liệu, những công việc vốn cần một đội nhóm dài hạn duy trì, giờ đây ít người hơn có thể hoàn thành nhờ mô hình. Chi tiêu hàng năm cho Claude Code của SemiAnalysis đã đạt 7 triệu USD, chiếm hơn một phần tư chi phí lương của họ, cho thấy AI không còn chỉ là công cụ nâng cao hiệu quả mà đang trở thành vốn sản xuất mới của doanh nghiệp.

Thứ hai, ngành dịch vụ thông tin là lĩnh vực đầu tiên bị viết lại. Dylan làm việc chủ yếu trong lĩnh vực phân tích, tư vấn và tập dữ liệu, chính là những lĩnh vực dễ bị AI thương mại hóa nhất. Phân tích ngược chip, mô hình lưới điện năng lượng, xây dựng chỉ số vĩ mô, trước đây cần đội nhóm dài hạn, giờ có thể do ít người trong vài tuần tạo ra sản phẩm khả dụng. Điều này có nghĩa, áp lực của AI đối với các công ty dịch vụ thông tin không phải là "sẽ thay thế người", mà là "ai có thể làm lại sản phẩm của đối thủ nhanh hơn". Công ty không dùng AI sẽ bị thương mại hóa nhanh hơn, còn công ty dùng AI phải liên tục nâng cao tiêu chuẩn để tránh bị đối thủ hiệu quả hơn thay thế.

Sâu hơn nữa, token đang trở thành tư liệu sản xuất mới. Trước đây, doanh nghiệp mua thuê bao phần mềm, vấn đề cốt lõi là công cụ có dễ dùng không; giờ đây, quyền truy cập mô hình tiên tiến, giới hạn tốc độ, hợp đồng doanh nghiệp và ngân sách token bắt đầu trực tiếp quyết định năng lực sản xuất. Mô hình mạnh hơn không nhất thiết tốn kém hơn, vì token thông minh hơn có thể hoàn thành nhiệm vụ giá trị cao với ít bước hơn. Cuộc cạnh tranh thực sự đang chuyển từ "ai dùng AI" sang "ai có thể lấy được mô hình mạnh nhất, và dùng token đắt nhất trong các kịch bản giá trị cao nhất".

Nhu cầu này còn truyền dẫn xuống toàn bộ chuỗi cung ứng. Việc sử dụng token tăng vọt cuối cùng sẽ tạo áp lực liên tục lên GPU, CPU, bộ nhớ, FPGA, PCB, đồng mạ, thiết bị bán dẫn và chi phí vốn của các nhà máy wafer. Hiện tượng "hiệu ứng roi" được đề cập trong bài chính là logic này: nhu cầu gọi mô hình ở tầng dưới tưởng chừng chỉ là tăng gọi API, nhưng truyền lên tầng trên có thể biến thành đơn hàng gấp nhiều lần, mở rộng sản xuất và tăng giá. Lợi nhuận ngành AI vì thế không chỉ dừng lại ở các công ty mô hình hay NVIDIA, mà còn lan tỏa theo chuỗi cung ứng bán dẫn và trung tâm dữ liệu.

Cuối cùng, phản ứng xã hội với AI có thể đến sớm hơn dự kiến. Khi AI thực sự đi vào quy trình làm việc, công chúng lo ngại về thay thế vị trí, tiêu thụ năng lượng, mở rộng trung tâm dữ liệu và tập trung quyền lực cũng sẽ tăng theo. Dylan còn dự đoán, trong vòng ba tháng có thể xuất hiện các cuộc phản đối quy mô lớn chống AI. Đối với các công ty mô hình, tiếp tục nhấn mạnh "AI sẽ thay đổi thế giới" có thể không làm giảm lo lắng, mà còn làm tăng cảm giác mất kiểm soát của người bình thường. Ngành AI cần chứng minh không chỉ năng lực kỹ thuật, mà còn tạo ra giá trị công cộng rõ ràng, cảm nhận được.

Hiện nay, vấn đề cốt lõi của AI đang chuyển từ "mô hình có thể làm gì" sang "ai có thể truy cập mô hình, cách dùng mô hình, và ai có thể nắm bắt giá trị do mô hình tạo ra". Trong ý nghĩa này, đối tượng bàn luận không chỉ là Claude Code, Anthropic hay các công ty AI, mà là một cuộc sắp xếp lại cấu trúc dựa trên năng suất, chi tiêu vốn, hiệu quả tổ chức và khả năng xã hội chấp nhận.

Dưới đây là nội dung nguyên bản (được biên tập để dễ đọc hơn):

TL; DR

· Các biến số cốt lõi của AI đang chuyển từ "có thể làm" sang "có đáng làm", sau khi chi phí thực thi giảm mạnh, thứ thực sự khan hiếm là ý tưởng giá trị cao có thể mở rộng qua mô hình.

· Chi tiêu cho Claude Code chiếm 25% chi phí lương chỉ là bắt đầu, AI đang biến từ phần mềm thành vốn sản xuất mới của doanh nghiệp.

· Cạnh tranh mô hình tiên tiến không còn chỉ là khả năng, mà là quyền truy cập token; ai lấy được mô hình mạnh nhất sớm hơn, ổn định hơn, sẽ tạo ra hàng rào thương mại mới.

· Ngành dịch vụ thông tin sẽ bị AI viết lại đầu tiên, vì chi phí sản xuất dữ liệu, phân tích, nghiên cứu đang giảm nhanh, các công ty chậm sẽ bị thương mại hóa nhanh hơn.

· Nhu cầu token không giảm khi giá mô hình cũ giảm, vì mỗi mô hình mạnh hơn sẽ tạo ra các trường hợp dùng mới có giá trị cao, đẩy người dùng tới các mô hình tiên tiến hơn.

· Thay đổi lớn nhất do AI mang lại không phải là giảm số giờ làm, mà là ít người hoàn thành gấp nhiều lần sản lượng trong cùng thời gian; ai không tạo ra và nắm bắt giá trị token sẽ bị "đóng băng" mãi ở tầng dưới.

· Thiếu hụt tính toán đang lan rộng ra toàn chuỗi cung ứng bán dẫn, từ GPU, CPU, bộ nhớ đến PCB, đồng mạ và nhà máy sản xuất chip, nhu cầu AI đã trở thành lực đẩy giá toàn ngành.

· Giá trị kinh tế của AI rất khó đo đếm bằng GDP truyền thống, vấn đề thực sự không chỉ là các công ty mô hình kiếm được bao nhiêu tiền, mà là các quyết định, hiệu quả và tác động dây chuyền do token tạo ra đã tạo ra bao nhiêu "GDP ma" (huyền ảo).

Phỏng vấn nguyên bản:

Claude Code trở thành lực lượng lao động mới

Patrick O'Shaughnessy (người dẫn chương trình):
Trước đây anh từng kể cho tôi nghe một câu chuyện rất hay, về sự thay đổi lớn trong lượng sử dụng token của nhóm anh trong năm nay. Anh có thể kể lại không? Nó giúp anh hiểu thế giới đang diễn ra như thế nào?

Dylan Patel (Sáng lập SemiAnalysis):
Năm ngoái, chúng tôi nghĩ mình đã là người dùng AI nặng rồi. Ai cũng dùng ChatGPT, ai cũng dùng Claude, tôi cũng cung cấp cho nhóm các dịch vụ đăng ký họ muốn. Thời đó, chi tiêu của công ty cho lĩnh vực này khoảng vài chục nghìn USD mỗi năm.

Nhưng năm nay, chi phí bắt đầu tăng vọt. Bắt đầu từ cuối năm ngoái, khoảng tháng 12, khi Opus ra mắt. Trong đó có Doug, chủ tịch của chúng tôi, người thúc đẩy nhân viên không kỹ thuật dùng AI viết code. Ông ấy gần như dẫn dắt toàn bộ công ty đi vào. Dĩ nhiên kỹ sư vẫn dùng, nhưng từ tháng 1 trở đi, chi tiêu rõ ràng tăng đột biến rồi bùng nổ.

Chúng tôi sau đó ký hợp đồng doanh nghiệp với Anthropic. Lần trước tôi nói với anh, chi tiêu hàng năm của chúng tôi khoảng 5 triệu USD; giờ đã lên 7 triệu USD.

Patrick O'Shaughnessy:
Và đó là số liệu của tuần rồi.

Dylan Patel:
Đúng, phần lớn là do lượng sử dụng. Điều thú vị là, những người chưa từng viết code giờ cũng dùng Claude Code, có người tiêu tới vài nghìn USD mỗi ngày. Nhưng nhìn chung, chi tiêu của chúng tôi cho Claude Code đã đạt 7 triệu USD mỗi năm, trong khi chi phí lương của chúng tôi khoảng 25 triệu USD. Nghĩa là, chi cho Claude Code đã vượt quá 25% chi phí lương.

Nếu xu hướng này tiếp tục, đến cuối năm có thể vượt 100% tổng chi phí lương. Thật đáng sợ. May mắn là, tôi không cần phải chọn giữa "người" và "AI", vì công ty đang tăng trưởng nhanh. Có thể là tôi không cần tuyển nhiều người, nhưng có thể đầu tư nhiều hơn vào AI, và nó thực sự hiệu quả, giúp công ty phát triển nhanh hơn.

Tuy nhiên, tôi nghĩ các công ty khác rồi cũng sẽ đối mặt vấn đề này: nếu chỉ một người dùng Claude Code có thể làm việc của 5, 10, thậm chí 15 người, thì tiếp theo sẽ thế nào? Thứ nhất, có thể cần cắt giảm nhân sự; thứ hai, các trường hợp dùng này rất rộng rãi.

Ví dụ, chúng tôi có một phòng thí nghiệm phân tích chip ở Oregon, đã hoạt động hơn một năm rưỡi. Có nhiều thiết bị cao cấp như kính hiển vi điện tử quét. Nhiệm vụ chính là phân tích ngược chip, lấy ra kiến trúc, phân tích vật liệu sản xuất. Đây là một trong những dữ liệu chúng tôi bán ra.

Trước đây, phân tích loại dữ liệu này rất chậm. Giờ đây, một người trong nhóm chỉ tiêu vài nghìn token Claude, đã tạo ra một ứng dụng. Ứng dụng này có thể tăng tốc GPU, chạy trên máy chủ của CoreWeave. Chỉ cần gửi hình ảnh chip, nó tự động đánh dấu vị trí từng vật liệu: đồng, tantali, germanium, cobalt. Rồi có thể phân tích phần tử trong cấu trúc chip một cách nhanh chóng, trực quan, có giao diện và bảng điều khiển đầy đủ.

Người này từng làm ở Intel, nói rằng trước đây, đó là công việc của cả đội nhóm để làm và duy trì. Giờ đây, tương tự, chỉ cần một người, đã có thể làm được.

Một ví dụ khác rất thú vị là Malcolm. Trước đây là nhà kinh tế của một ngân hàng lớn. Ngân hàng đó có khoảng 100-200 người kinh tế. Giờ anh ấy làm ra những thứ rất ấn tượng.

Anh kết nối dữ liệu từ FRED, báo cáo việc làm, API các nguồn khác. Chúng tôi cũng ký hợp đồng với nhà cung cấp dữ liệu, có API truy cập. Sau đó, anh chạy hồi quy, phân tích ảnh hưởng của các biến đổi kinh tế tới lạm phát hoặc giảm phát.

Bộ Lao động Mỹ có khoảng 2000 nhiệm vụ phân loại. Malcolm dùng AI để đánh giá: nhiệm vụ nào có thể làm bằng AI, nhiệm vụ nào không, rồi cho điểm theo một bộ tiêu chí. Kết quả là khoảng 3% nhiệm vụ hiện nay đã có thể làm bằng AI.

Anh ấy tạo ra một chỉ số để đo lường khả năng AI làm được, và tác động giảm phát khi làm được. Sản lượng có thể tăng, nhưng do chi phí giảm quá mạnh, GDP có thể co lại. Anh gọi đó là "GDP ma" (Phantom GDP).

Anh xây dựng một bộ phân tích dựa trên ý tưởng này, còn tạo ra một benchmark mô hình ngôn ngữ mới, gồm khoảng 2000 eval.

Patrick O'Shaughnessy:
Tất cả do một người làm?

Dylan Patel:
Đúng, tất cả do một người. Anh ấy nói: "Anh em, cái này trước đây phải là đội 200 người, làm trong một năm mới xong." Giờ đây, anh ấy hoàn toàn đắm chìm trong Claude, mọi thứ đã thay đổi.

Patrick O'Shaughnessy:
Là một doanh nghiệp, anh hiểu thế nào về chuyện này? Từ không chi tiêu nhiều, giờ đã gần 25% chi phí lương, và vẫn tăng. Đến lúc nào anh nghĩ: "Chờ đã, có lẽ tôi nên dừng lại? Kiểm soát chi tiêu? Có thể không cần dùng mô hình mới nhất như Opus 4.7 nữa, mà chuyển sang cái rẻ hơn?"

Dylan Patel:
Về bản chất, tôi làm ăn về thông tin. Chúng tôi bán phân tích, tư vấn, tạo dữ liệu. Tôi không thấy lý do gì mà những thứ này không thể trở thành hàng hóa nhanh chóng.

Nếu tôi không liên tục cải tiến, sản phẩm dữ liệu đầu tiên của chúng tôi đã bán, giờ đã có nhiều người làm tương tự. Chúng tôi vẫn bán được vì liên tục làm tốt hơn, chi tiết hơn. Nhưng cách làm của chúng tôi năm 2023 giờ đây không khác nhiều so với cách người khác làm. Nếu không nâng cao tiêu chuẩn, chúng tôi sẽ bị thương mại hóa. Nếu không nhanh, chúng tôi sẽ mất lợi thế.

Vậy nên, đúng là AI sẽ thương mại hóa nhiều thứ như phần mềm. Nhưng những người hành động nhanh, biết giữ mối quan hệ khách hàng, liên tục cung cấp dịch vụ tốt và cải tiến sẽ không co lại, mà còn phát triển mạnh hơn. Người yếu kém, không làm gì sẽ thua.

Vấn đề là: nếu tôi không dùng AI, người khác sẽ dùng, và họ sẽ thắng tôi.

Ví dụ khác rất đơn giản là ngành năng lượng. Chúng tôi có vài nhà phân tích năng lượng, cố xây dựng mô hình năng lượng. Mô hình này rất phức tạp, thị trường dữ liệu năng lượng khoảng 900 triệu USD, rõ ràng là thị trường lớn tôi muốn vào. Nhưng dù đã làm một năm, chúng tôi chưa thực sự bước vào dịch vụ dữ liệu năng lượng.

Rồi, "Claude Code điên" xuất hiện. Có một người phụ trách năng lượng trung tâm dữ liệu, tên Jeremy. Sau khi dùng Claude Code, mọi thứ thay đổi. Trong vòng ba tuần, anh ấy tiêu rất nhiều tiền, mỗi ngày khoảng 6000 USD, đúng là rất lớn. Nhưng anh ấy đã lấy dữ liệu của tất cả các nhà máy điện ở Mỹ, các tuyến truyền tải cao thế, từ các nguồn công khai, xây bản đồ lưới điện toàn quốc, kết hợp nhiều dữ liệu nhu cầu.

Chúng tôi tạo ra một bảng điều khiển để xem, phân tích tình trạng thiếu hụt hoặc dư thừa điện ở các vùng nhỏ của Mỹ, cùng nhiều chi tiết khác. Chỉ trong vài tuần, đã hoàn thành.

Sau đó, chúng tôi trình bày với khách hàng đã mua dữ liệu trung tâm của chúng tôi, trong đó có các nhà giao dịch năng lượng. Họ xem xong nói: "Wow, làm trong bao lâu vậy? Rất tốt, còn hơn cả công ty A." Sau đó, chúng tôi biết rằng công ty A có 100 người, đã làm việc 10 năm trong lĩnh vực này.

Dĩ nhiên, sản phẩm của chúng tôi chưa hoàn chỉnh như họ, chưa ổn định như họ, nhưng trong một số mặt đã tốt hơn. Vậy là tôi đang thương mại hóa các công ty dữ liệu năng lượng. Nhưng nếu tôi không chạy nhanh hơn, ai sẽ làm điều đó?

Từ góc độ doanh nghiệp, vấn đề không phải "tốn nhiều tiền". Đúng, tôi đã chi rất nhiều. Nhưng câu hỏi là, số tiền đó mang lại gì cho tôi? Có tạo ra doanh thu không? Nếu có, thì đó là chi phí đáng giá.

Patrick O'Shaughnessy:

Bạn có lo không, cuối cùng, những người kiểm soát vốn, những người đầu tư, những người thuê dịch vụ của các bạn, sẽ nói: "Chúng tôi có nhà phân tích, họ cũng giỏi, tự làm là xong"? Nếu chuyện này dễ thế, thì tất cả sẽ quay về trong nội bộ các tổ chức đầu tư, vì họ có thể tận dụng tối đa dữ liệu và insight đó.

Dylan Patel:
Trước hết, mọi dịch vụ thông tin đều như vậy: giá trị tôi có được từ một thông tin rõ ràng nhỏ hơn nhiều so với khách hàng nhận được.

Nếu tôi bán thông tin với giá 1 USD, lý do họ mua là vì biết rằng, thông tin đó giúp họ ra quyết định, và quyết định đó giúp họ kiếm nhiều hơn 1 USD. Có nghĩa là, họ có cơ hội arbitrage. Họ kiếm nhiều hơn tôi từ việc mua thông tin đó.

Các quỹ đầu tư cũng có khả năng dịch vụ thông tin riêng. Đặc biệt như Jane Street, Citadel, họ rất sâu về dữ liệu. Nhưng họ vẫn mua dữ liệu của chúng tôi, vẫn tiếp tục, hợp tác ngày càng nhiều.

Tôi nghĩ trong đó có yếu tố "it factor". Chúng tôi hành động nhanh hơn, linh hoạt hơn, đội nhỏ hơn, tập trung vào lĩnh vực hạ tầng AI, và các biến đổi lớn liên quan như token economy. Chúng tôi nhìn rõ hướng đi sớm hơn, xây dựng nhanh hơn.

Vì thế, các nhà đầu tư chuyên nghiệp tất nhiên sẽ cố làm những việc chúng tôi làm. Nhưng phần lớn, họ sẽ mua dữ liệu của chúng tôi rồi phát triển tiếp. Đối với họ, mua dữ liệu của chúng tôi rồi làm tiếp thường rẻ hơn tự xây dựng từ đầu. Dĩ nhiên, cuối cùng vẫn có người tự làm.

Token trở thành tư liệu sản xuất mới

Patrick O'Shaughnessy:
Tôi nghĩ mỗi lần nói chuyện với anh, tôi đều quay lại câu hỏi: cung và cầu token. Hiện tại, điều tôi quan tâm nhất là điều này. Kinh nghiệm của anh, khi cảm nhận rõ hơn về phía cầu, có làm anh thay đổi nhận định không? Khi chính anh cảm nhận rõ, anh có nghĩ khác về nhu cầu token không?

Dylan Patel:
Nếu lùi lại một bước, nhìn từ góc độ vĩ mô, doanh thu của Anthropic có thể đã tăng từ 9 tỷ USD lên khoảng 35-40 tỷ USD. Đến khi chương trình phát sóng này ra, có thể đã đạt 40-45 tỷ USD.

Nhưng khả năng tăng tính toán của họ không theo kịp. Nếu tính toán, giả sử họ không giảm chi cho R&D — rõ ràng là không, vì họ vẫn ra mô hình mới như Metis, Opus 4, Opus 4.7 — thì điều đó cho thấy: phần tăng thêm tính toán, dù dành cho suy luận, lợi nhuận gộc tối thiểu vẫn khoảng 72%.

Thực tế, một phần tính toán mới có thể cũng dành cho R&D, nên lợi nhuận thực tế còn cao hơn. Năm đầu năm, có rò rỉ tài liệu tài chính của họ, cho thấy lợi nhuận gộc chỉ khoảng 30%.

Làm thế nào để một doanh nghiệp tăng lợi nhuận gộc nhanh như vậy? Chủ yếu là do nhu cầu quá cao. Họ có thể thắt chặt hạn mức sử dụng, giới hạn tốc độ, các hạn chế khác. Quan trọng là cần có quản lý khách hàng của Anthropic, hợp đồng doanh nghiệp, và khả năng nâng cấp giới hạn tốc độ. Nếu không, token cuối cùng sẽ trở nên cực kỳ khan hiếm.

Ai trả được, người đó lấy được. Anthropic cũng gặp vấn đề này — tất nhiên, đó là thực tế của cơ chế thị trường. Đúng vậy, khách hàng có thể trả 400 tỷ USD mỗi năm cho token, nhưng giá trị họ tạo ra từ token đó còn lớn hơn nhiều.

Giá trị của từng token khác nhau giữa các doanh nghiệp. Nhưng khi mô hình ngày càng thông minh, điều thực sự quan trọng là: ai có thể lấy được token thông minh nhất, và dùng chúng vào các việc có giá trị nhất.

Là con người, bạn phải quyết định: làm thế nào để dùng token để phát triển kinh doanh, tạo ra giá trị. Nhiều người muốn token, tiêu thụ token. Nhưng các startup SaaS ở San Francisco dùng Claude để tạo phần mềm, chưa chắc đã tạo ra giá trị lớn. Sớm muộn, họ sẽ bị đẩy ra khỏi giá token.

Patrick O'Shaughnessy:
Tôi đã gặp chuyện này hôm nay trên chuyến bay. Khi Opus 4.7 ra mắt, tôi muốn dùng ngay, nhưng bị giới hạn, không thể dùng. Tôi còn không thể tưởng tượng dùng 4.6 nữa, dù vài tuần trước tôi rất hài lòng với 4.6, nó đã rất mạnh rồi.

Anh có ngạc nhiên không khi mọi người cứ cố dùng mô hình đắt nhất, mới nhất?

Dylan Patel:
Hoàn toàn không ngạc nhiên. Một trong những kỷ niệm buồn cười nhất của tôi trong tháng rưỡi qua là cùng bạn Leopold gần như quỳ xuống trước đồng sáng lập Anthropic, xin họ cho chúng tôi quyền truy cập Metis.

Chúng tôi biết nó tồn tại, nên nói: "Làm ơn, cho chúng tôi dùng thử." Và họ trả lời: "Tôi không biết các anh đang nói gì."

Patrick O'Shaughnessy:
Khi bảng giá, hoặc thẻ eval xuất hiện, anh phản ứng thế nào?

Dylan Patel:
Thực ra, ở vùng Vịnh đã có tin đồn, chúng tôi biết nó sẽ rất mạnh. Nếu xem benchmark, tất nhiên nó luôn thay đổi, nhưng Mephisto / Metis có thể là bước nhảy lớn nhất trong hai năm qua về khả năng mô hình.

Điều tôi thấy rất quan trọng là: nó mạnh đến mức Anthropic còn không muốn phát hành hoàn toàn. Dù đã công bố giá cho một số khách hàng, và phát hành chọn lọc, như cho các ứng dụng an ninh mạng. Chi phí token có thể gấp 5, 10 lần, nhưng họ vẫn không muốn phát hành toàn bộ vì lo ảnh hưởng tới thực tế.

Hiện tại, họ chỉ cung cấp cho chúng tôi phiên bản kém hơn, Opus 4.7. Trong phần mô tả mô hình, họ còn nói rõ: "Chúng tôi cố ý làm yếu khả năng an ninh mạng hơn." Không biết anh có đọc phần đó không.

Tôi muốn nói rằng: bất cứ ai có đủ vốn, nên mua đăng ký doanh nghiệp của Anthropic, trả theo token, chứ không phải gói đăng ký thông thường. Như vậy, sẽ ít bị giới hạn hơn.

Bạn cũng phải nghĩ xem, dùng token vào việc gì để tối đa hóa giá trị, và kiếm lời từ đó. Bởi về bản chất, có thể sau một hoặc hai năm, nhiều doanh nghiệp sẽ chủ yếu làm ăn dựa trên arbitrage token. Token rất mạnh, nhưng quan trọng là biết hướng dùng chúng.

Trong 3-4 năm tới, mô hình có thể tự biết cách dùng token, tạo ra giá trị lớn nhất.

Nếu nhìn lại các benchmark, sẽ thấy: để đạt một trình độ khả năng nhất định, trước đây cần chi phí X, giờ chỉ còn một phần trăm, thậm chí phần nghìn. Ví dụ, khi DeepSeek đạt GPT-4, chi phí khoảng sáu phần trăm của GPT-4. Sau đó, chi phí các mô hình cấp GPT-4 tiếp tục giảm.

Dĩ nhiên, giờ không ai còn quan tâm nhiều đến GPT-4 nữa. Mọi người muốn mô hình tiên tiến nhất, vì chỉ mô hình đó mới tạo ra giá trị kinh tế thực sự. Nhưng GPT-4 vẫn có thể dùng trong một số trường hợp nhỏ hơn.

Vì thế, động lực thực sự là các trường hợp dùng mới liên tục xuất hiện. Hiện tại, bạn dùng Opus 4.6 hoặc 4.7. Một năm sau, để có mô hình cùng chất lượng, chi phí có thể chỉ còn 7 nghìn USD, rẻ hơn 100 lần.

Nhưng điều đó không quan trọng. Bởi vì, khi đó, tôi sẽ dùng mô hình mạnh hơn để làm những việc có giá trị hơn.

Metis của Anthropic, mặc dù đắt hơn mô hình, nhưng tiêu thụ token ít hơn nhiều để hoàn thành cùng nhiệm vụ. Trong đa số trường hợp, nó còn rẻ hơn Opus 4.6.

Dylan Patel:
Bởi vì nó hiệu quả hơn nhiều. Dù mỗi token thông minh hơn, đắt hơn, nhưng để hoàn thành nhiệm vụ, cần ít token hơn.

Patrick O'Shaughnessy:
Lần gặp anh trước, có nói Metis mới ra, hoặc mô hình card mới, anh nói nó mạnh đến mức làm anh hơi sợ. Ý anh đó là gì?

Dylan Patel:
Mục tiêu của Anthropic là đến cuối 2025, thậm chí từ 2024, họ muốn mô hình có thể như một kỹ sư phần mềm cấp L4. Nói chung, họ đã làm được gần như vậy với Opus 4.6.

Nhưng chưa nói rõ, nếu xem Metis, so với benchmark, nó còn như một kỹ sư cấp L6. L4 là kỹ sư mới vào nghề, còn L6 là kỹ sư dày dạn kinh nghiệm.

Tôi nhớ Anthropic nói rằng, từ tháng 2 trong nội bộ đã có thể dùng mô hình này. Tức là, trong vòng hai tháng, họ từ L4 lên L6. Vậy chuyện gì sẽ xảy ra tiếp theo?

Khi nghĩ về tiến bộ của mô hình, ta thấy nó đang tăng tốc. Tốc độ ra mô hình của Anthropic đang rút ngắn, của OpenAI cũng vậy. Tại sao? Bởi để tạo ra mô hình tốt hơn, cần vài yếu tố.

Thứ nhất, cần tính toán mạnh mẽ. Tính toán rất đắt, có thời gian riêng của nó. Chúng tôi theo dõi, nó vẫn tăng, nhưng trong ngắn hạn đã ổn định. Các hợp đồng tính toán đã ký gần như cố định. Có thể có điều chỉnh, mở rộng thêm chút, nhưng về cơ bản đã xác định.

Thứ hai, cần các nhà nghiên cứu xuất sắc. Hiện các công ty sẵn sàng trả hàng chục triệu USD cho họ.

Thứ ba, là khả năng thực thi. Trong quá khứ, thực thi rất khó. Có ý tưởng, rồi phải biến thành sản phẩm, và thực thi là phần khó nhất. Nhưng giờ đây, ý tưởng tràn lan, thực thi lại rất dễ. Nó đắt, nhưng dễ.

Vậy câu hỏi là: làm thế nào để một người quyết định nên thực thi ý tưởng nào? Kết quả là, khi thực thi dễ hơn nhiều, ta có thể làm nhiều ý tưởng hơn, chạy nhanh hơn.

Điều này có thể xảy ra trong nghiên cứu mô hình AI, khiến chu kỳ ra mô hình rút ngắn từ 6 tháng xuống 2 tháng. Hoặc trong các lĩnh vực khác, như mô hình hóa toàn bộ nhà máy điện, tuyến truyền tải của Mỹ, phân tích cung cầu vi mô — giờ đây tôi có thể làm được.

Ý tưởng vốn dĩ rẻ. Vấn đề là, ý tưởng nào có ý nghĩa? Ý tưởng nào đáng để bỏ vốn mua token, biến thành thực tế? Bởi vì khả năng thực thi đã có đó rồi. Đây là thay đổi quan trọng nhất.

Nếu chi phí thực thi tiếp tục giảm — và nó đang giảm — chúng ta thậm chí chưa thực sự có Metis. Opus 4.7 mới ra vài giờ, nhưng nội bộ chúng tôi đã rất phấn khích.

Tiếp theo, điều này sẽ mang lại gì cho thế giới? Tôi nghĩ nó sẽ sắp xếp lại cách vận hành của nền kinh tế.

Trước đây, thực thi rất quan trọng vì khó làm, còn ý tưởng thì rẻ. Giờ đây, ý tưởng không chỉ rẻ mà còn rất nhiều, nhưng thực thi lại dễ hơn bao giờ hết. Vì vậy, những ý tưởng đủ tốt, chứng minh rằng dù thực thi cực kỳ rẻ, vẫn đáng bỏ tiền ra, sẽ là những ý tưởng đáng làm.

Patrick O'Shaughnessy:
Vậy anh có thực sự sợ không? Hay chỉ là cảm giác không chắc chắn khó nắm bắt?

Dylan Patel:
Chắc chắn có sự không chắc chắn. Nhưng tôi nghĩ, điều này sẽ mang lại một dạng sợ hãi. Vấn đề là xã hội sẽ phải tổ chức lại như thế nào?

Khi bạn sống trong thế giới mà khả năng thực thi không còn là vấn đề lớn, thì điều gì mới quan trọng? Quan trọng là bạn có thể chọn đúng ý tưởng cho AI thực hiện; bạn có thể bán ý tưởng đó, hoặc bán thành quả AI tạo ra; bạn có thể huy động vốn cho hướng đó. Những điều này mới trở nên quan trọng.

Và điều này quay lại câu hỏi cũ: ai có thể truy cập mô hình mới nhất?

Anthropic có dự án, tôi biết nó không tên Earwig, nhưng tôi thích gọi là Earwig, để trêu chọc họ. Họ chỉ cung cấp Metis cho một số công ty, dùng trong an ninh mạng. Tôi nghĩ chuyện này sẽ tiếp tục: phạm vi triển khai mô hình sẽ ngày càng hẹp, ít hướng tới đại chúng hơn.

Ghi chú: Earwig nghĩa đen là "bọ chét", một loại côn trùng nhỏ, trong tiếng Trung cũng gọi là "gián tai". Ở đây như một biệt danh mang tính châm biếm: nghe như một loại sâu, lại gợi ý "lén lút xâm nhập tai" hoặc "ảnh hưởng ngầm".

Tôi biết OpenAI, Anthropic và các công ty khác nói rằng họ muốn ai cũng có AI mạnh. Nhưng AI rất đắt. Ai sẽ trả tiền cho hạ tầng trị giá hàng nghìn tỷ đô? Chính những người giàu có, có thể dùng AI để xây dựng thứ hữu ích.

Và bạn cũng không muốn người khác tinh chế mô hình của mình, nên không phát hành rộng rãi. Bạn sẽ cung cấp cho ít khách hàng hơn, và họ sẽ cạnh tranh nhau về token.

Trừ khi Anthropic tăng giá mạnh. Họ hoàn toàn có thể gấp đôi giá Opus, tôi vẫn sẽ tiếp tục trả. Tôi dám chắc phần lớn người dùng cũng vậy. Nhưng tôi nghĩ, điều đó còn chưa giải quyết được vấn đề năng lực sản xuất khổng lồ của họ.

Vậy vòng lặp này sẽ kết thúc ở đâu? Khi lượng token sử dụng và giá trị tạo ra ngày càng tập trung trong tay ít công ty, chuyện gì sẽ xảy ra?

Hiện tại, tôi chưa có Metis. Nhưng ai có? Các ngân hàng hàng đầu có. Hiện họ có thể chỉ dùng trong an ninh mạng, nhưng tôi hình dung một thế giới: vì tôi có hợp đồng doanh nghiệp với Anthropic, và họ cũng thích tôi, nên họ có thể cho tôi quyền truy cập sớm hơn, hoặc giới hạn tốc độ cao hơn. Tôi mong điều đó xảy ra.

Và đối thủ của tôi không có quyền đó, tôi có thể thắng họ.

Hoặc có thể là một kịch bản khác. Ví dụ, Ken Griffin của Citadel, người có mối quan hệ rộng, rất giàu, có thể ký hợp đồng với OpenAI hoặc Anthropic, nói: "Tôi mua trước 10 tỷ USD token mỗi năm. Các anh cứ phát hành mô hình mới, tôi mua hết 10 tỷ USD token đó, rồi các công ty khác dùng phần còn lại."

Điều gì sẽ xảy ra? Thị trường sẽ bị anh ấy áp đảo.

Chỉ là một ví dụ. Nó cũng có thể xảy ra trong lĩnh vực an ninh mạng, như Anthropic lo ngại mô hình có thể giúp người khác xâm nhập hệ thống dễ hơn. Hoặc trong ngành dịch vụ thông tin như tôi, dùng để vượt mặt người khác.

Tôi nghĩ tác động của chuyện này rất rộng. Chúng ta không biết chính xác mô hình có thể làm gì. Anthropic không biết, OpenAI không biết, không ai biết. Cuối cùng, chính người dùng cuối sẽ khám phá: token có thể dùng để làm gì? xây dựng gì? tưởng tượng ra sao?

Điều này chắc chắn sẽ nâng cao năng suất, có mặt tích cực lớn cho nhân loại. Nhưng vấn đề là, tài nguyên và quyền sử dụng sẽ tập trung thế nào?

Robot sẽ tiếp nối các nhu cầu tiếp theo

Patrick O'Shaughnessy:
Hiện tại, token tiêu thụ của robot hoặc robotics gần như không đáng kể so với các lĩnh vực khác. Anh nghĩ sao? Nó có thể trở thành đường cầu thứ hai? Trong vòng một dặm vuông quanh đây, ngày nào cũng có startup robot mới ra đời, cố làm ra thứ gì đó thú vị.

Dylan Patel:
Có một khái niệm gọi là "điểm singularity chỉ phần mềm" (software-only singularity). Tức là, thế giới có thể xuất hiện một điểm singularity AI chỉ trong phần mềm. Nhưng vấn đề là, phần lớn thế giới vẫn là vật lý. Bạn sẽ thấy, cuối cùng thế giới sẽ xoay quanh phần cứng, chứ không chỉ phần mềm. Vì vậy, tôi nghĩ "điểm singularity phần mềm" chỉ là giai đoạn tạm thời, không phải là kết thúc. Bởi cuối cùng, chúng ta vẫn sẽ vào thế giới vật lý.

Khi phần mềm trở nên cực kỳ dễ, phần khó của robot là gì? Là lập trình, vi điều khiển, actuator, và kiểm soát tất cả các thứ đó. Hiện tại, những phần này rất khó.

Mô hình AI có đặc điểm thú vị: hiệu suất học của chúng khá thấp. Chỉ vì chúng ta cung cấp dữ liệu khổng lồ, chúng mới học được, và trong một số lĩnh vực còn vượt con người.

Nhưng các mô hình robot hiện nay, như VLA (Vision-Language-Action), rất phổ biến, nhưng tôi nghĩ chúng chưa phải là thứ cuối cùng để mở rộng. Dữ liệu của chúng rất kém hiệu quả, và chúng ta chưa thể mở rộng dữ liệu robot đủ nhanh.

Trong tương lai, chắc chắn sẽ có cách huấn luyện mô hình robot quy mô lớn, giống như con người liên tục tiếp xúc với dữ liệu trong đời. Con người rất "mẫu hiệu quả". Một, hai ví dụ là đủ để học.

Nếu áp dụng khả năng này cho robot, mọi chuyện sẽ khác hẳn. Khi điểm singularity phần mềm xuất hiện, thực thi sẽ trở nên cực kỳ rẻ, ai cũng có thể bắt đầu xây dựng mô hình này. Tiếp đó, người ta sẽ xây robot hữu dụng thật sự.

Vì vậy, tôi nghĩ trong 6 đến 18 tháng tới, chúng ta sẽ thấy bước đột phá thực sự trong lĩnh vực robot. Khả năng then chốt là few-shot learning, học ít mẫu. Khi đó, sẽ có mô hình robot đã huấn luyện sẵn, bạn thuê hoặc mua robot, cho nó vài ví dụ, nó sẽ hoàn thành nhiệm vụ.

Bạn chỉ cần nói: "Ghép hai thứ này lại", nó sẽ làm được. Nói: "Giữ cân bằng", nó sẽ thử và hoàn thành. Tin tôi đi, tôi đã làm đổ nhiều thứ rồi.

Vì vậy, tôi nghĩ robot sẽ có khả năng học ít mẫu.

Hiện đã có nhiều công ty làm robot, để quảng cáo hoặc làm nhiệm vụ đơn giản. Nhưng sắp tới, sẽ rất phân khúc. Ví dụ, robot gấp quần áo, hoặc lau bảng, thuê theo dịch vụ hoặc theo mô hình, tải xuống mô hình rồi cài vào robot tiêu chuẩn, nó sẽ làm nhiệm vụ, rồi bạn trả tiền theo lượt.

Dù sao, lĩnh vực hàng hóa vật lý sẽ có bước nhảy lớn, gây ra hiệu ứng giảm phát. Và điều này sẽ thúc đẩy nhu cầu token tăng vọt. Vì vậy, tôi không nghĩ nhu cầu token sẽ giảm.

Patrick O