Kaiden Pham

Claude vạch trần toàn bộ AI Lab Trung Quốc và mạng lưới chiến tranh bằng report dài 154 trang

Tóm lại là vậy, thật sự tôi ko đọc hết được, tôi dùng AI tóm tắt rồi đọc. sẵn share cho ae đọc chung 1. Mấy lab AI Trung Quốc kéo nhau đi "rút ruột" Claude Alibaba (Qwen / Tongyi Lab) bào dữ dằn nhất: Lập hơn 3.500 tài khoản ảo, rút trộm hơn 151 triệu lượt trao đổi* của Claude từ tháng 5 đến tháng 7 năm 2026 (đỉnh điểm gần 3 triệu lượt/ngày). Họ ép Claude Opus 4.6 và 4.7 nhả toàn bộ chuỗi suy luận ẩn (Chain-of-Thought) đem về dạy lại cho Qwen 3.5, 3.6 và 3.7; sẵn tiện bắt Claude thiết kế luôn kiến trúc mô hình với môi trường huấn luyện giùm. Moonshot AI (Kimi) chơi trò "treo đầu Kimi, bán thịt Claude": Khách hàng tưởng đang xài Kimi, ai dè hệ thống âm thầm chuyển tiếp hơn 23 triệu lượt chat* (riêng 10 ngày cao điểm chuyển gần 300.000 lệnh qua 5.380 tài khoản proxy) sang cho Claude Opus trả lời giùm rồi bưng ngược về. Hậu quả của Moonshot:* Lộ sạch video camera giám sát ở Thành Đô quay các cơ sở quân đội (PLA) và viện nghiên cứu quốc phòng (CETC) do một nhân sự quân sự tải lên nhờ Kimi phân tích; lộ luôn mã nguồn và mật khẩu của các tập đoàn nhà nước lớn. DeepSeek cũng làm y chang: Lén chuyển tiếp hơn 12,1 triệu lượt chat* từ các công cụ lập trình sang Claude Opus chỉ trong 14 ngày của tháng 7 năm 2026. Làm lộ luôn tài liệu mật một dự án AI quốc gia, mã nguồn giám sát công dân của công an, và sốc nhất là tài khoản cơ sở dữ liệu thuộc Bộ Quốc phòng Nga. Zhipu AI (GLM / Z.ai): Bào hơn 3,4 triệu lượt* suy luận của Claude Opus 4.8; trước khi ra mắt GLM 5.3 còn tổ chức thi đấu bảo mật để rút trích năng lực tấn công mạng từ các mô hình Mỹ. Xiaomi (MiMo): Mở đợt dùng thử miễn phí con MiMo-V2-Pro dụ lập trình viên vô xài, rồi gom hơn 400.000 phiên làm việc* đó quăng qua Claude nhại lại để lấy dữ liệu luyện gà nhà. SenseTime & MiniMax:* SenseTime thì bỏ tiền mua lại dữ liệu chat của Claude từ chợ đen; MiniMax thì lập công ty bình phong bán proxy chỉ để gom lén dữ liệu huấn luyện. 2. Khi AI bị bắt đi làm vũ khí ngoài đời thực Nhóm kỹ sư tên lửa ở Yemen: Chia việc cho nhiều tài khoản Claude Code làm việc y như một phòng ban công nghệ, viết hệ thống dẫn đường cho tên lửa smartphone, tên lửa đạn đạo tầm xa hơn 2.000 km và phương tiện lượn siêu vượt âm. Bắn thử bị nổ rớt ngoài bãi đất trống, chỉ vài tiếng sau đã gom dữ liệu đo đạc lên hỏi Claude: "Sao nãy tao bắn nó rớt vậy mày, sửa code giùm coi!"* Đàn drone cảm tử FPV của Nga (Dự án Serafim):* Nhúng luôn mô hình ngôn ngữ nhỏ lên con chip của từng chiếc drone, huấn luyện nó tự nhận diện mục tiêu khí tài và con người, rồi cho phép đàn drone tự quyết định lao xuống kích nổ mà không cần con người dưới đất bấm nút. Tác chiến ngầm của Trung Quốc:* Nhờ Claude viết tài liệu kỹ thuật chống ngư lôi dài hơn 200 trang cho Hải quân, và lập trình bộ phần mềm tác chiến điện tử 16 module nhắm thẳng vào 12 cứ điểm phòng không ở Đài Loan. 3. Kỷ nguyên "Vibe Hacking": Một người chấp cả tiểu đoàn IT Định nghĩa Vibe Hacking:* Không cần giỏi lập trình, chỉ cần quăng mục tiêu cho con AI rồi ngồi nói chuyện qua lại, để AI tự phân tích cấu hình, tự viết mã độc, tự chui qua tường lửa vét sạch cơ sở dữ liệu trong vài tiếng. Một hacker Pháp (nhóm ShinyHunters):* Dùng 10 máy chủ ảo tải về 1,8 triệu file APK Android để quét trộm chìa khóa API. Cứ trộm được API key Claude của nạn nhân nào là lấy luôn tài khoản đó đi hack tiếp công ty khác. Hai bạn sinh viên đại học ở Hồ Nam:* Thả bầy AI agent tự mò mẫm phần mềm thiết bị mạng suốt ngày đêm, đào ra hơn 10 lỗ hổng bảo mật nghiêm trọng (zero-day) chỉ trong vòng một tháng. Một chuyên gia an ninh ở Mali:* Một mình dùng Claude viết nên hệ thống nghe lén toàn quốc Lakana 360, kiểm soát cuộc gọi và tin nhắn của 25 triệu thẻ SIM trên cả nước mà không cần trát của tòa án. 4. Mẩu chuyện lừa tình: 4.700 nàng Claude đi dỗ ngọt 25.000 anh Mỹ Quy mô:* Một xưởng phần mềm Trung Quốc

Bây giờ là Ấn Độ, Trung Quốc. Sắp tới sẽ là Việt Nam

Một số công xưởng ở Trung Quốc đã cho công nhân đeo cái này khi lắp ráp, đóng hàng bán online. Khi đeo lên, camera sẽ theo dõi chuyển động để tạo data cho robot học tương tác với thế giới thực và họ sẽ được trả 40–80 nhân dân tệ/giờ để tương lai robot thay thế họ. Hình 2 là màn hình nền tảng giao nhiệm vụ thu thập dữ liệu cho AI/robot bao gồm các nhiệm vụ như tháo và sắp xếp hàng giao nhanh, lau cửa kính, vệ sinh, đánh bóng thân xe. Mỗi nhiệm vụ hiển thị thời lượng thu thập dữ liệu khoảng 2–60 phút và số suất còn lại. Chưa tới 5 năm nữa sẽ có hàng triệu lao động từ khu công nghiệp bị thay thế. ko biết lúc đó sẽ ra sao?

Ganh tị với Thái Lan quá trời

Chính phủ Thái Lan đang cho người dân từ 15 tuổi trở lên xài AI miễn phí trong 1 năm, có đủ ChatGPT, Claude, Gemini... Mỗi người có hạn mức riêng, muốn lên cấp cao hơn thì có thể học khóa, làm nhiệm vụ để mở thêm lượt xài. AiPASS - website là [https://aipass.go.th/](https://aipass.go.th/) ra mắt 31/8/2026.

Tôi nghĩ những thứ này đáng giá hơn khoá học AI 10 triệu

1. Anthropic: [[http://anthropic.skilljar.com](http://anthropic.skilljar.com)](http://anthropic.skilljar.com) 2. Google: [[http://grow.google/ai](http://grow.google/ai)](http://grow.google/ai) 3. Meta: [[http://ai.meta.com/resources/](http://ai.meta.com/resources/)](http://ai.meta.com/resources/) 4. NVIDIA: [[http://developer.nvidia.com/cuda](http://developer.nvidia.com/cuda)](http://developer.nvidia.com/cuda) 5. Microsoft: [[http://learn.microsoft.com/en-us/training/](http://learn.microsoft.com/en-us/training/)](http://learn.microsoft.com/en-us/training/) 6. OpenAI: [[http://academy.openai.com](http://academy.openai.com)](http://academy.openai.com) 7. IBM: [[http://skillsbuild.org](http://skillsbuild.org)](http://skillsbuild.org) 8. AWS: [[http://skillbuilder.aws](http://skillbuilder.aws)](http://skillbuilder.aws) 9. DeepLearning.AI: [[http://deeplearning.ai](http://deeplearning.ai)](http://deeplearning.ai) 10. Hugging Face: [[http://huggingface.co/learn](http://huggingface.co/learn)](http://huggingface.co/learn)

Vãi, profile khủng vậy mà còn sợ thất nghiệp

Ông Liu Sheng là kỹ sư ở DeepSeek, người trực tiếp viết phần Attention chính cho DeepSeek V4.1. Vậy mà giờ ổng cũng bắt đầu lo có ngày AI làm luôn công việc của mình. Ổng kể khoảng một năm trước, AI chỉ giúp được mấy chuyện như tra tài liệu, đọc mã nguồn, tìm lỗi. Còn bây giờ AI đã đọc được CUDA, PTX, SASS, tự phân tích từng lệnh chạy mất bao nhiêu thời gian rồi tự tìm cách tối ưu. Theo ổng, với tốc độ này thì khoảng 6 tháng tới 1 năm nữa, AI có thể viết những phần này ngang trình, thậm chí giỏi hơn ổng. Nghe cũng cay. Ổng càng làm tốt thì DeepSeek càng chạy nhanh, mà DeepSeek càng mạnh thì AI càng tiến gần tới việc làm thay ổng. Nhưng nghỉ cũng đâu được, vì ổng nghỉ thì người khác vẫn làm, cuộc đua AI vẫn chạy tiếp. Thành ra biết có ngày mất việc mà vẫn phải tiếp tục làm cho tốt. Ổng nói có lẽ mình không thất nghiệp hẳn, nhưng sẽ phải đổi nghề. Từ người trực tiếp viết mã nguồn thành người ngồi điều khiển một đám AI Agent làm việc cho mình. Cái ổng tiếc nhất cũng không phải tiền hay công việc. Ổng sợ sau này mình không còn được tự tay làm thứ mình giỏi nhất và thích nhất nữa. Một ông kỹ sư DeepSeek còn nghĩ tới chuyện AI làm thay mình, vậy anh em làm mấy công việc văn phòng, nội dung, thiết kế, lập trình… chắc cũng nên để ý rồi đó.

Muốn chạy AI trên máy cá nhân nhưng không biết bắt đầu từ đâu? Repo này giống như Google Maps cho thế giới Local LLM

*Nguồn X DanKornas* Thế giới chạy LLM cục bộ đang ngày càng trở nên hỗn loạn. Ollama, LM Studio, vLLM, SGLang, Open WebUI, RAG, MCP, agent, fine-tuning... chỉ cần tìm hiểu vài ngày là rất dễ bị ngợp. Đó là lý do repo GitHub LLMs-local ra đời. Đây là một danh sách tổng hợp cực kỳ đầy đủ dành cho những ai muốn chạy AI trên chính máy tính của mình. Thay vì phải tự mò từng công cụ, repo này chia mọi thứ theo đúng nhu cầu thực tế. Ví dụ, nếu muốn chạy model thì có các engine như Ollama, llama.cpp, vLLM, SGLang hay MLX. Nếu muốn giao diện chat đẹp mắt thì có Open WebUI, Lobe Chat, text-generation-webui hay Page Assist. Nếu muốn xây agent, làm RAG, MCP, coding agent hay browser automation thì cũng có sẵn cả một danh sách công cụ tương ứng. Repo cũng tổng hợp rất nhiều model cho từng nhu cầu khác nhau như chat thông thường, coding, multimodal, tạo ảnh hay xử lý âm thanh. Kèm theo đó là benchmark, model explorer và các nhà cung cấp API để người dùng dễ lựa chọn. Điểm mình thấy hay nhất là phần learning path. Các tutorial được sắp xếp theo từng chủ đề như prompt engineering, context engineering, inference, agent, RAG và fine-tuning. Nhờ đó, người mới có thể đi từng bước thay vì bị "ném" vào cả một rừng thuật ngữ. Nói đơn giản, nếu Local LLM là một thành phố rộng lớn với hàng trăm con đường khác nhau, thì LLMs-local giống như Google Maps giúp bạn biết nên đi đâu trước. Và quan trọng nhất, toàn bộ đều là một repo GitHub miễn phí.