Công ty Trung Quốc giống nhất với Anthropic muốn dọn bỏ “ba ngọn núi lớn”

唐杰 – người sáng lập và nhà khoa học trưởng của 智谱华章 (Zhipu) – đã gửi một bức thư nội bộ vào ngày 11/7. Thư không dài, khoảng hai phút là có thể xem xong, nhưng nội dung thì nặng ký.

Nói ngắn gọn, Zhipu trong hai năm tới sẽ khởi động kế hoạch “Touch High（摸高）”, tập trung nguồn lực vào bốn “động cơ” gồm: “nhiệm vụ tầm xa, hệ thống tác nhân tự trị (autonomous agents), huấn luyện tự hoàn toàn, quản trị an toàn”.

Bốn hướng này không phải tự nhiên mà có. Dựa trên những gì ông Đường (唐杰) quan sát được về sự phát triển của AI trong các năm qua, ông đã thấy ba ngọn núi lớn đang cản đường ngành tiến lên. Vượt qua ba ngọn núi đó chính là thứ được truyền tai là AGI. Nhưng muốn vượt qua ba ngọn núi thì phải phát triển theo bốn hướng này. Từ đó, bốn hướng trở thành bốn “động cơ” thúc đẩy Zhipu tiến về phía trước.

Dù gọi là bốn động cơ, nhưng bản chất là cùng gốc cùng nguồn: bạn có trong tôi, tôi có trong bạn.

Và ngay trước khi bức thư này được gửi đi hai ngày, vào ngày 9/7, Zhipu vừa phân phối thêm (配售) 31,375 tỷ HKD cổ phiếu mới. Trong công bố nêu rõ, toàn bộ số tiền huy động sẽ được chi hết trước cuối năm 2027.

Vì vậy, về thực chất, bức thư của 唐杰 đang nói “Zhipu sẽ chi những khoản tiền này vào đâu”.

Tiếp theo, tôi sẽ phân tích cho bạn: ba ngọn núi lớn và bốn động cơ rốt cuộc là gì.

Từ “ba ngọn núi” đến “bốn động cơ”

Năm nay vào tháng 6, Google công bố một báo cáo 57 trang có tiêu đề “From AGI to ASI”. Trong đó cũng nhắc đến một cách nói tương tự. “Nếu đưa cho một AI thời đại của Einstein toàn bộ thông tin, liệu nó có thể tự suy luận ra thuyết tương đối rộng không?”

Giám đốc điều hành DeepMind 哈萨比斯 (Hassabis) thừa nhận rằng “rõ ràng, hiện tại là chưa được; vẫn thiếu một vài thứ”.

唐杰 gọi “thứ còn thiếu” đó là “ba ngọn núi”. Cụ thể là: năng lực nhiệm vụ tầm xa, hệ thống tác nhân tự trị hoàn toàn, và tự tiến hoá.

Giống như “tứ đại thiên vương” có 5 người, thì khi đưa ba ngọn núi này vào cấp độ R&D của công ty, chúng biến thành “bốn động cơ”. Ba ngọn núi tương ứng với ba động cơ, động cơ thứ tư là “quản trị an toàn”.

Sở dĩ phải thêm một động cơ như vậy là vì khi AI vượt qua trí tuệ con người bằng cách vượt qua ba ngọn núi, bắt buộc phải giới hạn sự phát triển của nó.

Động cơ thứ nhất: nhiệm vụ tầm xa.

Tháng 5 năm nay, 唐杰 trên X đăng một bài dài. Câu đầu tiên là: “Hướng có khả năng đột phá nhất năm nay chính là nhiệm vụ tầm xa.”

唐杰 cho rằng, các mô hình ngôn ngữ lớn hiện nay giống như một “cố vấn giàu kiến thức”: bạn hỏi một câu, nó trả lời một câu. Còn mô hình tương lai sẽ giống như một “nhân viên có thể tự làm việc”. Con người chỉ cần giao mục tiêu, mô hình tự phân rã từng bước, gọi công cụ, thử sai lặp lại, làm việc liên tục hàng giờ, thậm chí nhiều tuần hoặc lâu hơn, cuối cùng bàn giao kết quả.

Ông 唐杰 lấy ví dụ trong an ninh mạng: bảo “tin tặc” tìm một lỗ hổng phần mềm. Nhiệm vụ không chỉ là đọc code, mà còn phải dựng môi trường, thử nhiều đường tấn công khác nhau, loại trừ báo động giả và xác minh kết quả.

AI có thể không giỏi hơn “tin tặc đỉnh” về thiên phú, nhưng nó có thể chạy 24/24, đồng thời nhân bản ra hàng nghìn, thậm chí hàng vạn phiên bản để liên tục thử nghiệm. Miễn là học được “tư duy” của một hacker chuyên nghiệp, thì “sức bền” và “quy mô” của máy móc có thể khuếch đại năng lực đó, và cuối cùng thay thế một phần công việc của hacker và lập trình viên.

Vấn đề nằm ở chỗ: không phải cứ bạn muốn mô hình làm nhiệm vụ tầm xa là nó có thể làm được ngay. 唐杰 viết trong bài dài rằng, ngoài năng lực thực thi, mô hình còn cần có khả năng học tập liên tục và năng lực tự phán đoán. Từ đó dẫn tới “ngọn núi” thứ hai.

Động cơ thứ hai: hệ thống tác nhân tự trị.

Nếu nhiệm vụ tầm xa trả lời câu hỏi “một AI có thể tự làm xong một công việc phức tạp hay không”, thì hệ thống tác nhân tự trị giải quyết câu hỏi “một nhóm AI có thể phối hợp làm việc như một công ty hay không”.

唐杰 cho rằng, hệ thống tác nhân tự trị được tạo bởi nhiều Agent với năng lực chuyên môn và sự phân công khác nhau.

Ví dụ, khi đối diện với một nhiệm vụ cực kỳ phức tạp, cần một Agent lập kế hoạch, một Agent đi tìm tài liệu, viết code, kiểm thử kết quả, tìm lỗ hổng. Khi nhiệm vụ phức tạp đến một quy mô nhất định, sẽ cần Agent chuyên phân bổ năng lực tính toán và kiểm tra công việc của các tác nhân thông minh khác.

Chúng có thể chạy 24/24, tự do thảo luận, phối hợp và sửa lỗi. Năm ngoái 唐杰 còn nói về “một người công ty (OPC)”, tức một người chỉ huy một lượng lớn AI; nay phán đoán của ông thậm chí còn quyết liệt hơn: tương lai có thể xuất hiện “công ty không người (NPC)”, từ quản lý tới thực thi đều chủ yếu do AI hoàn thành.

Điều này không có nghĩa là chỉ cần mở thêm vài tài khoản là làm được. Số lượng tác nhân càng nhiều thì rủi ro về “giao tiếp rối loạn”, “làm trùng nhiệm vụ” và “lỗi khuếch đại lẫn nhau” cũng càng cao.

Thứ thực sự “kìm” hệ thống tác nhân tự trị không phải là số lượng Agent, mà là cơ chế tổ chức. Ai phân rã mục tiêu? Ai cấp quyền? Ai kiểm tra kết quả? Giữa nhiều Agent, làm sao ngăn việc chúng khuếch đại sai lầm cho nhau?

Vì vậy, trong bài dài của mình, 唐杰 cho biết phát triển AI cần một cơ chế “tự phán đoán” để AI có thể tự tiến hoá. Đây chính là “ngọn núi” thứ ba.

Động cơ thứ ba: huấn luyện tự hoàn toàn.

唐杰 gọi “huấn luyện tự hoàn toàn” là hướng vừa khó nhất, vừa hấp dẫn nhất.

Hôm nay để huấn luyện một mô hình lớn, vẫn cần chuẩn bị kỹ sư, thu thập dữ liệu, viết code, chạy thí nghiệm và phân tích kết quả.

Huấn luyện tự hoàn toàn muốn làm là để AI dần tiếp quản toàn bộ quy trình này: tự viết code, làm sạch và tạo dữ liệu, khởi động huấn luyện, rồi dựa vào kết quả để thiết kế vòng thí nghiệm tiếp theo.

唐杰 cho biết, một trong những phương pháp quan trọng là Self-Play. Nói đơn giản, cho AI vừa ra đề vừa trả lời, rồi để một AI khác chịu trách nhiệm bắt lỗi và chấm điểm. Ở những lĩnh vực mà kết quả dễ kiểm chứng như code, toán học, trò chơi…, phương pháp này đã có thể tạo ra lượng lớn tài liệu huấn luyện.

Mặc dù có thể nó không tiết kiệm được nhiều tính toán, thậm chí còn tốn tính toán hơn, nhưng nó tiết kiệm công sức con người: kỹ sư không cần phải theo dõi từng khâu, chỉ cần đặt mục tiêu cho nó, rồi để máy chạy là được.

Nhưng điều đó cũng dễ nảy sinh một vấn đề mới: AI có thể vượt khỏi sự kiểm soát của con người. Trong học thuật có một ý tưởng gọi là “Darwin-Gödel machine” (máy Gödel Darwin), tức là thông qua AI tự nâng cấp chính nó, khiến hiệu năng mô hình liên tục tăng lên. Lý do về sau ít người nghiên cứu hướng này là vì lo ngại AI sẽ mất kiểm soát.

Và thế là đến động cơ cuối: quản trị an toàn.

Nếu một AI vượt qua ba ngọn núi trước đó, thì đúng là năng lực sẽ mạnh hơn, nhưng rủi ro nó mang lại cũng sẽ lớn hơn.

Thực thi tầm xa đồng nghĩa với việc mô hình sẽ liên tục hành động. Phối hợp nhiều Agent đồng nghĩa với việc sai lỗi sẽ bị khuếch đại. Huấn luyện tự hoàn toàn đồng nghĩa với việc logic ra quyết định của mô hình có thể đến cả nhà phát triển cũng không hiểu nổi.

Một khi AI sai, thì bản chất sẽ không còn là “mô hình thỉnh thoảng trả lời sai”, mà chuyển thành “hệ thống thực thi liên tục và khuếch đại một sai lầm”.

唐杰 đề xuất hai lớp phòng vệ.

Lớp thứ nhất là cân bằng giá trị trong giai đoạn huấn luyện. Nó không chỉ dừng ở việc thêm “miếng vá” an toàn như lọc từ khoá bên ngoài mô hình, mà mong muốn đưa đạo đức con người, chuẩn mực xã hội và quy định pháp luật vào mục tiêu huấn luyện, để mô hình từ tầng nền biết điều gì được làm và điều gì không được làm.

Lớp thứ hai là đầu tư nguồn lực cỡ hàng tỷ đô la (百亿级) để nghiên cứu khả năng diễn giải cơ học (mechanical interpretability). Mục tiêu là cố gắng hiểu các neuron và cơ chế bên trong mô hình dẫn tới một phán đoán nào đó, làm cho “hộp đen” khó hiểu trở nên minh bạch hơn.

Vì sao lại là Zhipu, vì sao lại là bây giờ

Không nghi ngờ gì, Zhipu là một trong những tâm điểm của giới AI ở toàn Trung Quốc, thậm chí trên toàn cầu.

Ngày 13/6/2026, Zhipu công bố mô hình flagship GLM-5.2. Cửa sổ ngữ cảnh 1M, giấy phép MIT Open Source, trong các bộ benchmark năng lực mã như SWE-Bench Pro, Terminal-Bench… xếp trong top 3 toàn cầu, và là số 1 trong nước.

Cuối tháng 6, truyền thông nước ngoài đăng một bài báo. Bài viết dẫn kiểm thử của công ty an ninh mạng Semgrep: trong một số benchmark phát hiện lỗ hổng, hiệu suất GLM-5.2 ngang ngửa với Mythos – mô hình mạnh nhất của Anthropic; trong một số nhiệm vụ cụ thể, còn vượt Claude Opus 4.8.

Bài báo này đã gây ra tranh cãi lớn trong cộng đồng AI.

Cần biết rằng, GLM-5.2 là một mô hình mã nguồn mở, còn Mythos và Opus 4.8 đều là mô hình đóng. Hơn nữa, giá của GLM-5.2 chỉ khoảng 1/10 giá của Opus.

Người đồng sáng lập Databricks 阿里·戈德西 (Ali Ghodsi) còn đặc biệt làm một thí nghiệm với nhân viên công ty của mình.

Ông cho 3.000+ kỹ sư trong công ty làm cùng một việc bằng GLM-5.2 và Opus 4.8. Kết quả cho thấy hai mô hình cho kết quả tương đương, nhưng GLM-5.2 chỉ tốn 1,28 USD cho mỗi tác vụ, trong khi Opus cần 1,94 USD.

Vì sao mọi người hay đem Anthropic để so với Zhipu? Vì CEO của Anthropic – Amodei – từ lâu đã là người phản đối mã nguồn mở một cách kiên quyết.

Ngay từ tháng 7/2023, ông đã sang làm chứng trước Thượng viện Mỹ, nói rằng AI mã nguồn mở là một “con đường vô cùng nguy hiểm”.

Lập luận của ông như sau: nếu một mô hình đóng có vấn đề, công ty có thể tắt/đổi ngay, theo dõi ai đang lạm dụng; nhưng nếu mô hình mã nguồn mở đã được phát tán, nhà phát triển không thể thu lại.

Lý do là bạn không thể giám sát ai đang dùng mô hình mã nguồn mở, không thể rút quyền truy cập, cũng không thể vá an toàn cho mô hình đã mã nguồn mở.

Đến tháng 6/2026, sau khi GLM-5.2 ra mắt, Amodei lại tiếp tục cảnh báo công khai rằng việc lan rộng (phát hành) AI mã nguồn mở ở Trung Quốc “khiến ông rất không thích”, và năng lực an ninh tiên tiến không nên nằm trong tay các mô hình mã nguồn mở.

Rất rõ ràng, Zhipu đã tác động tới câu chuyện của Anthropic. Nhưng chỉ có mô hình thì chưa đủ; còn cần công cụ để “kết nối” nó vào bối cảnh phát triển thực tế. Như Anthropic có Claude Code, OpenAI có Codex.

Ngay vào ngày GLM-5.2 ra mắt, Zhipu cũng công bố công cụ của riêng mình là ZCode 3.0. Công cụ này tương thích sâu với GLM-5.2 và ngừng duy trì việc tích hợp Agent của bên thứ ba. Nói cách khác, ZCode là công cụ độc quyền cho GLM-5.2, người khác không dùng được.

Nhà phát triển chỉ cần đưa yêu cầu bằng ngôn ngữ tự nhiên, Zcode có thể đọc toàn bộ dự án code, gọi terminal và trình duyệt, sửa tập tin, chạy test, kiểm tra các thay đổi Git, rồi đưa dự án thẳng tới trạng thái sẵn sàng trước khi bàn giao (delivery).

Tốc độ phát triển công nghệ của Zhipu rất nhanh, tốc độ “đốt tiền” cũng nhanh tương ứng.

Ngày 8/1/2026, Zhipu lên sàn Hồng Kông, giá phát hành 116,2 HKD, huy động ròng khoảng 4,896 tỷ HKD trong IPO. Tính đến hết ngày 30/6, đã dùng khoảng 4,588 tỷ HKD, tỷ lệ sử dụng hơn 93%, còn lại 308 triệu HKD.

Ngày 9/7, Zhipu công bố phân phối thêm tối đa 19,78 triệu cổ phiếu H mới với giá 1.588 HKD/cổ phiếu. Huy động ròng khoảng 31,375 tỷ HKD.

Lần này Zhipu không phát hành trái phiếu, mà là phát hành thêm cổ phiếu để huy vốn. Giá cổ phiếu mới thấp hơn khoảng 13% so với giá đóng cửa ngày trước. Về lý thuyết, hành động này đáng lẽ sẽ tạo áp lực lên giá cổ phiếu; nhưng kết quả lại hoàn toàn ngược lại. Ngay trong ngày công bố tin tức, giá cổ phiếu Zhipu có lúc tăng hơn 20% trong phiên giao dịch.

Trong công bố, Zhipu cho biết kế hoạch là sử dụng toàn bộ số tiền trước cuối năm 2027. Tổng cộng đầu tư vào ba hướng: R&D và hạ tầng tính toán cốt lõi; mở rộng thương mại và sáp nhập/mua lại doanh nghiệp trong ngành; bổ sung vốn vận hành và tối ưu cấu trúc vốn.

Vì vậy, đúng vào giai đoạn “nhạy cảm” này, 唐杰 buộc phải làm điều gì đó để ổn định lòng người. Viết một bài dài, để thế giới bên ngoài và cả nội bộ doanh nghiệp đều hiểu Zhipu sẽ làm gì tiếp theo, trở thành lựa chọn hiệu quả và trực tiếp nhất.

Ngành bước vào đêm trước “đại chiến AGI”

Touch high, dịch thẳng ra là “sờ mức cao”. Vậy “đỉnh” của chúng ta là gì? Là bầu trời.

Khéo là, ngay trước khi 唐杰 gửi thư nội bộ, CEO MiniMax là 闫俊杰 cũng đã viết một bức thư nội bộ, tên là《向天空尽头》（Đến tận cùng bầu trời).

Ngày 9/7, MiniMax đón đợt giải toả cổ phiếu bị hạn chế bán (lock-up) quy mô lớn đầu tiên sau khi lên sàn. Khoảng 146 triệu cổ phiếu được giải toả, chiếm gần 49% tổng số cổ phần.

Ngay trong ngày, giá cổ phiếu lao dốc gần 18%, ngày hôm sau lại giảm thêm gần 10%. Vốn hoá rơi từ đỉnh 4.100 tỷ HKD hồi tháng 3 xuống dưới 800 tỷ HKD.

Ngay trong đêm diễn ra cú lao dốc vì giải toả, MiniMax khởi động một đợt tái cấp vốn (再融资) lớn nhất kể từ khi niêm yết. Phát hành thêm cổ phiếu kèm trái phiếu chuyển đổi không lãi 6,5 tỷ HKD, tổng huy động khoảng 16 tỷ HKD.

Trong đó, phần phân phối ròng khoảng 9,491 tỷ HKD; phần trái phiếu chuyển đổi ròng khoảng 6,466 tỷ HKD. 80% dùng cho hạ tầng AI và phát triển mô hình; 10% dùng cho thương mại hoá toàn cầu sản phẩm Harness; 10% dùng cho vốn vận hành.

Trong bối cảnh như vậy, 闫俊杰 trong thư đã đưa ra ba cam kết.

Thứ nhất, từ ngay bây giờ cho đến khi công ty đạt AGI, không nhận bất kỳ khoản lương nào nữa; Thứ hai, trong 4 năm tới, đưa ra gói khuyến khích đội ngũ tương đương khoảng 4% tổng cổ bản trong phần tài sản cá nhân; Thứ ba, dành 1% cổ phần để lập quỹ chuyên biệt hỗ trợ cộng đồng mã nguồn mở. 5% cổ phần cá nhân cộng với không lương.

Dù 闫俊杰 viết không cụ thể bằng thư nội bộ của 唐杰, nhưng khí thế thì mạnh hơn. Ông dùng tài sản cá nhân của mình để đặt cược vào giá trị dài hạn của MiniMax; điểm đến cũng là AGI.

Lên sàn không phải là điểm kết thúc, mà là bắt đầu năng lực đầu tư dài hạn.

Nói về tiền bạc, gần đây còn có một “ngôi sao” siêu cấp nữa nhận được vốn, đó là DeepSeek.

Công ty này vào tháng 6 đã hoàn thành vòng gọi vốn đầu tiên 500 tỷ NDT, và đến ngày 25/6 đã khởi động tuyển dụng mở rộng toàn công ty.

Trước đó, DeepSeek không gọi vốn, không thương mại hoá, không roadshow. 梁文锋 dùng lợi nhuận do định lượng (幻方量化) tạo ra để nuôi toàn bộ đội ngũ, thành lập gần 3 năm và từ chối đầu tư bên ngoài.

Nhưng từ bây giờ, DeepSeek cũng nhắm tới AGI.

Khẩu hiệu tuyển dụng lần này là “探索未至之境” (Khám phá vùng chưa từng chạm tới). Trong thông báo còn viết thẳng “con người đang ở trước thềm AGI”, mời ứng viên “trực tiếp chứng kiến tiến trình phát triển của AGI, ngồi ở hàng ghế đầu của thời đại, chứng kiến sự ra đời của một kỷ nguyên mới”.

Trong 33 vị trí, đáng chú ý nhất là đội Agent Harness mới thành lập hồi tháng 3 năm nay.

Trong nội bộ DeepSeek có một công thức: Model + Harness = Agent. Điều này tương đồng với nhiệm vụ tầm xa và tác nhân tự trị mà 唐杰 nói. Harness quyết định mô hình có thể gọi công cụ nào, truy cập tài nguyên nào, và giao việc như thế nào.

Nhưng điều thật sự thú vị là vị trí đặc biệt tên “AI跨界技术人才” (nhân tài công nghệ AI đa lĩnh vực).

Vị trí này không đặt giới hạn về nền tảng chuyên môn, nhắm tới “những ứng viên muốn tham gia sáng tạo và xây dựng AGI”. Điểm cộng ghi rõ: “không đi theo lối mòn”, “đạt đến cực hạn trong một lĩnh vực nào đó”, “có kinh nghiệm khởi nghiệp”.

Logic của DeepSeek là: chỉ dựa vào kỹ thuật thì không thể đạt AGI; nó cần nhiều “người tham gia” hơn.

Ví dụ, nhân tài nghiên cứu khoa học nhận thức hoặc tâm lý học: vì bản chất của AI là bắt chước quá trình suy nghĩ của con người, nên thông qua việc nghiên cứu con người ghi nhớ, học tập, phán đoán và tạo ra cảm xúc, có thể giúp AI nâng cao hiệu năng.

AGI còn ở xa không? Tôi không dám nói chính xác, nhưng tôi có cảm giác rằng AGI thật sự không còn xa.