Qwen

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

Prompt Engineering chưa hết nóng, Graph Engineering đã ra lò

Từ Prompt Engineering đến Graph Engineering Chỉ trong khoảng hai năm, cách chúng ta xây dựng AI đã thay đổi rất nhiều. Ban đầu mọi người dành phần lớn thời gian để học Prompt Engineering, tức là học cách giao tiếp với AI. Sau đó đến Context Engineering, nơi trọng tâm chuyển sang việc chuẩn bị đúng dữ liệu và đúng ngữ cảnh để AI có đủ thông tin trước khi suy luận. Đầu năm nay, cộng đồng lại nói rất nhiều về Loop Engineering khi AI Agent bắt đầu biết tự suy nghĩ, tự sử dụng công cụ, tự kiểm tra kết quả rồi lặp lại cho đến khi hoàn thành công việc. Và chỉ vài tuần gần đây, một khái niệm mới lại xuất hiện liên tục trên X, Reddit và các cộng đồng AI: Graph Engineering. Mình thấy Graph Engineering không phải là một kỹ thuật mới mà là hệ quả tất yếu khi AI Agent bắt đầu xử lý những công việc đủ lớn. Andrew Ng mở đầu tài liệu của mình bằng một câu rất đáng chú ý: "Architecture matters more than the model." Nghĩa là khi các mô hình AI ngày càng mạnh và khoảng cách giữa chúng ngày càng thu hẹp, lợi thế cạnh tranh sẽ không còn nằm ở việc dùng GPT, Claude hay Qwen, mà nằm ở cách bạn thiết kế cả hệ thống phía sau. Điều này nghe khá giống với ngành phần mềm. Hai công ty có thể cùng dùng một ngôn ngữ lập trình, cùng dùng một cơ sở dữ liệu, nhưng sản phẩm cuối cùng lại khác nhau hoàn toàn vì kiến trúc hệ thống khác nhau. AI cũng đang bước vào giai đoạn như vậy. Model dần trở thành một thành phần trong hệ thống, thay vì là toàn bộ hệ thống. Vì sao Graph Engineering xuất hiện? Để hiểu vì sao Graph Engineering xuất hiện, trước tiên cần hiểu cách hầu hết AI Agent hiện nay hoạt động. Phần lớn các Agent đều chạy theo một vòng lặp khá đơn giản. Nhận yêu cầu, suy nghĩ, thực hiện hành động, kiểm tra kết quả rồi tiếp tục lặp lại nếu công việc chưa hoàn thành. Đây chính là Loop Engineering. Claude Code, Codex, Cursor hay Qoder đều hoạt động theo tư duy này. Chúng không chỉ trả lời câu hỏi mà có thể tự viết code, chạy terminal, sửa lỗi rồi thử lại nhiều lần cho đến khi chương trình chạy được. Loop Engineering giải quyết rất tốt những công việc có phạm vi nhỏ. Nhưng khi AI bắt đầu xử lý những bài toán lớn hơn thì bottleneck cũng xuất hiện rất nhanh. Hãy tưởng tượng bạn yêu cầu AI xây dựng một sản phẩm hoàn chỉnh. Nó phải đọc tài liệu yêu cầu, nghiên cứu đối thủ, tìm kiếm thông tin trên Internet, viết mã nguồn, chạy kiểm thử, sửa lỗi, viết tài liệu hướng dẫn rồi mới triển khai. Nếu tất cả các bước này đều do một Agent thực hiện thì toàn bộ trạng thái của dự án đều phải nằm trong một cửa sổ ngữ cảnh duy nhất. Dự án càng lớn, cửa sổ ngữ cảnh càng dài. Agent phải nhớ mình đã làm gì, đọc tài liệu nào, sửa lỗi gì, thử giải pháp nào và còn bao nhiêu việc chưa hoàn thành. Lượng token tăng lên, thời gian xử lý lâu hơn, việc kiểm tra lỗi cũng trở nên khó khăn hơn vì mọi thứ đều nằm trong cùng một vòng lặp. Đây chính là giới hạn của một Agent. Hiện tại, AI đang phải đóng quá nhiều vai trò cùng lúc. Nó vừa là người lập kế hoạch, vừa là lập trình viên, vừa là người kiểm thử, vừa là người phản biện và cũng là người ra quyết định cuối cùng. Trong thực tế, không có công ty nào vận hành theo cách đó. Graph Engineering xuất hiện để thay đổi đúng điểm này Thay vì xây dựng một AI biết làm tất cả, Graph Engineering chia toàn bộ công việc thành nhiều nút nhỏ, mỗi nút chỉ đảm nhận một vai trò duy nhất. Có AI chuyên lập kế hoạch, AI chuyên nghiên cứu, AI chuyên viết mã nguồn, AI chuyên chạy kiểm thử, AI chuyên kiểm tra tính chính xác, AI chuyên đánh giá kết quả cuối cùng. Nếu Loop Engineering giống như một nhân viên đa năng thì Graph Engineering giống như việc xây dựng cả một tổ chức, nơi mỗi người đều có chuyên môn riêng và phối hợp với nhau để hoàn thành một dự án. Nhưng nhiều Agent vẫn chưa phải là Graph Engineering Điểm quan trọng nhất của Graph không nằm ở số lượng Agent mà nằm ở cách các Agent trao đổi thông tin với nhau. Trong một hệ thống thông thường, gần như mọi thứ AI biết đều nằm trong cửa sổ ngữ cảnh. Khi phiên làm việc kết thúc hoặc cửa sổ ngữ cảnh đầy lên, AI gần như phải bắt đầu lại từ đầu. Nó phải đọc lại tài liệu, xây dựng lại bối cảnh và nhớ lại những gì mình đã làm. Điều này giống như một nhân viên mỗi sáng đi làm lại phải đọc toàn bộ email từ đầu để nhớ hôm qua mình đang làm đến đâu. Bên trong Graph Engineering, dữ liệu chảy như thế nào? Graph Engineering thay đổi hoàn toàn cách ghi nhớ này bằng một khái niệm gọi là Shared State. Thay vì lưu mọi thứ trong trí nhớ của từng Agent, toàn bộ trạng thái của công việc được đưa ra bên ngoài thành một vùng dữ liệu chung. Kế hoạch dự án, tài liệu đã đọc, các dữ kiện đã kiểm chứng, kết quả kiểm thử, những lỗi đã phát hiện hay quyết định của từng Agent đều được lưu lại trong Shared State. Mỗi Agent chỉ cần đọc đúng phần dữ liệu mình cần, xử lý công việc rồi ghi kết quả trở lại. Nó không cần đọc lại toàn bộ cuộc hội thoại để biết chuyện gì đã xảy ra. Nếu ví AI như một nhóm người cùng làm dự án thì Shared State giống hệt một tài liệu Google Docs mà cả nhóm cùng sử dụng. Người nghiên cứu ghi kết quả nghiên cứu. Người lập trình đọc kết quả đó để viết code. Người kiểm thử đọc phiên bản mới nhất để chạy test. Người đánh giá đọc toàn bộ kết quả để đưa ra quyết định cuối cùng. Không ai phải hỏi lại từ đầu hay đọc lại toàn bộ lịch sử làm việc của cả nhóm. Đó cũng là lý do Anthropic đưa ra một nhận xét rất thú vị: Agent có thể quên, nhưng Graph thì không quên. Trí nhớ không còn nằm trong model mà đã trở thành một phần của hệ thống. Graph Engineering cũng thay đổi hoàn toàn cách dữ liệu di chuyển trong hệ thống. Thay vì mọi bước đều chạy tuần tự, công việc được chia thành nhiều nhánh có thể thực hiện đồng thời. Nếu cần phân tích 100 báo cáo tài chính, hệ thống có thể tạo ra 100 Agent nhỏ, mỗi Agent đọc một báo cáo riêng rồi gửi kết quả về một Agent tổng hợp. Nếu cần kiểm tra một đoạn mã nguồn, một Agent có thể chạy kiểm thử trong khi Agent khác kiểm tra bảo mật và Agent thứ ba đánh giá hiệu năng. Cuối cùng, một Agent tổng hợp sẽ đọc kết quả của tất cả các Agent trước đó để đưa ra quyết định. Model hoàn toàn không thay đổi, nhưng tốc độ xử lý của cả hệ thống tăng lên rất nhiều nhờ kiến trúc mới.

Open Source - Nước cờ ngoại giao AI của Chủ tịch Trung Quốc Tập Cận Bình

Cuộc đua AI hiện chỉ còn hai cái tên Nếu nhìn vào bảng xếp hạng những mô hình ngôn ngữ lớn (LLM) mạnh nhất thế giới hiện nay, có một sự thật rất thú vị nhưng ít được nhắc đến. 100% Top 30 mô hình AI thông minh nhất đều đến từ Mỹ và Trung Quốc. Không có châu Âu, không có Nhật Bản, không có Hàn Quốc hay bất kỳ quốc gia nào khác. Điều này cho thấy cuộc đua AI đã không còn là cuộc cạnh tranh của hàng chục quốc gia mà đang dần tập trung vào hai siêu cường công nghệ. Tuy nhiên, điều đáng chú ý hơn cả không nằm ở việc ai có nhiều mô hình mạnh hơn, mà nằm ở cách hai quốc gia này lựa chọn con đường phát triển AI. Hai triết lý phát triển AI hoàn toàn khác nhau Nếu quan sát kỹ, bạn sẽ thấy phần lớn các mô hình AI hàng đầu của Mỹ như GPT, Claude hay Gemini đều được phát triển theo hướng Closed Source, nơi người dùng chủ yếu tiếp cận thông qua API hoặc dịch vụ do chính công ty sở hữu vận hành. Ngược lại, phần lớn các mô hình AI mạnh nhất của Trung Quốc như Qwen, DeepSeek, GLM hay Kimi lại được phát hành dưới dạng Open Weight, cho phép doanh nghiệp và nhà phát triển tải xuống, triển khai trên hạ tầng riêng, tinh chỉnh theo dữ liệu của mình và xây dựng các sản phẩm thương mại. Nếu đặt trong bối cảnh địa chính trị và những gì Chủ tịch Tập Cận Bình vừa công bố tại World Artificial Intelligence Conference (WAIC) 2026, mình nghĩ đây là hai triết lý hoàn toàn khác nhau về cách tạo ra ảnh hưởng trong kỷ nguyên AI. Bài phát biểu của Tập Cận Bình hé lộ chiến lược lớn hơn Trong bài phát biểu khai mạc WAIC, ông Tập Cận Bình liên tục nhấn mạnh rằng AI cần được phát triển theo hướng hợp tác quốc tế, đồng thời công bố hàng loạt sáng kiến rất cụ thể như thành lập World AI Cooperation Organization (WAICO) với 29 quốc gia tham gia, triển khai chương trình đào tạo 5.000 cơ hội học tập và hội thảo AI cho các nước đang phát triển trong vòng 5 năm, xây dựng các trung tâm hợp tác AI quốc tế và thúc đẩy việc chia sẻ các mô hình AI mã nguồn mở. Khi ghép tất cả các mảnh ghép lại với nhau, mình cho rằng chúng ta đang chứng kiến một chiến lược lớn hơn rất nhiều: Open Source đang trở thành công cụ ngoại giao của Trung Quốc. AI đang trở thành hạ tầng của nền kinh tế trí tuệ Lịch sử công nghệ từng nhiều lần chứng minh rằng quốc gia hoặc doanh nghiệp tạo ra được hạ tầng sẽ có ảnh hưởng lâu dài hơn rất nhiều so với việc chỉ tạo ra sản phẩm. Google gần như không thu phí Android, nhưng Android đã trở thành cánh cửa đưa hàng tỷ người dùng bước vào hệ sinh thái của Google, từ Search, Gmail, Maps cho đến Play Store. Linux không phải là sản phẩm mang về doanh thu trực tiếp, nhưng lại trở thành nền tảng vận hành phần lớn Internet hiện đại. Kubernetes cũng không phải một phần mềm bán cho người dùng cuối, nhưng đã trở thành tiêu chuẩn triển khai ứng dụng trên cloud. Điểm chung của tất cả những nền tảng này là chúng đều tạo ra hệ sinh thái, và khi hệ sinh thái đủ lớn thì giá trị sẽ tiếp tục sinh ra giá trị thông qua hiệu ứng mạng lưới. Cuộc đua AI đã chuyển từ Model sang Ecosystem Theo mình, AI đang bước vào giai đoạn tương tự. Trong vài năm đầu của cuộc đua AI, mọi người chủ yếu quan tâm đến benchmark, số lượng tham số hay khả năng suy luận của từng mô hình. Nhưng ở giai đoạn tiếp theo, câu hỏi quan trọng hơn sẽ là có bao nhiêu doanh nghiệp đang xây sản phẩm trên mô hình của bạn, có bao nhiêu lập trình viên đang phát triển công cụ cho mô hình của bạn và có bao nhiêu quốc gia lựa chọn công nghệ của bạn làm nền tảng cho quá trình chuyển đổi số. Khi AI dần trở thành hạ tầng của nền kinh tế trí tuệ, việc sở hữu một hệ sinh thái rộng lớn sẽ quan trọng không kém việc sở hữu một mô hình mạnh. Open Source giúp AI trở thành công cụ ngoại giao Đây cũng là lý do Open Source có giá trị chiến lược rất lớn. Khi một quốc gia ở Đông Nam Á, châu Phi hay Mỹ Latinh muốn xây dựng năng lực AI, họ hoàn toàn có thể tải một mô hình như Qwen hoặc DeepSeek về để triển khai trong nước, tinh chỉnh theo ngôn ngữ và dữ liệu địa phương, đồng thời đáp ứng các yêu cầu về bảo mật hoặc chủ quyền dữ liệu. Quyết định đó không chỉ giúp họ sở hữu một mô hình AI, mà còn kéo theo việc các trường đại học đào tạo kỹ sư dựa trên mô hình đó, doanh nghiệp phát triển sản phẩm trên mô hình đó, cộng đồng chia sẻ prompt, workflow, agent và kinh nghiệm triển khai xoay quanh mô hình đó. Theo thời gian, cả một hệ sinh thái kỹ thuật sẽ hình thành. Giá trị lúc này không còn nằm ở bản thân mô hình AI nữa mà nằm ở cộng đồng, công cụ và kiến thức được xây dựng xung quanh nó. Xuất khẩu mô hình thực chất là xuất khẩu tiêu chuẩn Điều này cũng đồng nghĩa với việc Open Source giúp Trung Quốc xuất khẩu không chỉ công nghệ mà còn cả tiêu chuẩn. Trong lịch sử ngành công nghệ, người tạo ra tiêu chuẩn thường có sức ảnh hưởng lớn hơn người bán sản phẩm. HTML trở thành tiêu chuẩn của Web, PDF trở thành tiêu chuẩn chia sẻ tài liệu, Linux trở thành tiêu chuẩn của máy chủ và Kubernetes trở thành tiêu chuẩn của Cloud Native. Nếu hàng triệu lập trình viên trên thế giới học cách xây Agent bằng Qwen, hàng nghìn doanh nghiệp fine-tune từ Qwen và vô số framework AI được tối ưu cho Qwen, thì theo thời gian Qwen sẽ dần trở thành một tiêu chuẩn thực tế của ngành. Khi tiêu chuẩn được hình thành, lợi thế cạnh tranh sẽ không còn nằm ở benchmark nữa mà nằm ở hệ sinh thái đã phát triển xung quanh tiêu chuẩn đó. Open Source giúp Trung Quốc có một đội R&D toàn cầu Một khía cạnh khác cũng rất đáng chú ý là Open Source tạo ra khả năng đổi mới với tốc độ cực kỳ lớn. Một mô hình đóng chủ yếu được phát triển bởi đội ngũ kỹ sư của chính công ty sở hữu nó. Trong khi đó, một mô hình mở có thể được hàng trăm nghìn lập trình viên trên toàn thế giới cùng tham gia tối ưu hiệu năng, xây dựng công cụ, phát triển agent, fine-tune cho từng ngành nghề, viết tài liệu, chia sẻ kinh nghiệm triển khai và tích hợp với hàng loạt nền tảng khác. Linux, PyTorch hay Kubernetes đều phát triển theo mô hình này và trở thành những nền tảng thống trị trong lĩnh vực của mình. Open Source giúp tốc độ tiến hóa của công nghệ không còn bị giới hạn bởi quy mô của một công ty mà được mở rộng ra toàn bộ cộng đồng toàn cầu. AI đang trở thành Soft Power mới Mình cũng cho rằng Open Source đang trở thành một dạng soft power hoàn toàn mới. Trước đây, ảnh hưởng của một quốc gia thường đến từ phim ảnh, văn hóa, Internet hay các thương hiệu toàn cầu. Trong kỷ nguyên AI, ảnh hưởng đó có thể đến từ nền tảng công nghệ. Nếu sinh viên Việt Nam học AI bằng Qwen, startup Indonesia xây sản phẩm trên DeepSeek, doanh nghiệp Brazil triển khai GLM và các trường đại học châu Phi sử dụng các mô hình AI của Trung Quốc trong đào tạo, thì cùng với công nghệ, ảnh hưởng của Trung Quốc cũng sẽ lan tỏa theo một cách rất tự nhiên. Đây là hình thức mở rộng ảnh hưởng thông qua hạ tầng số thay vì thông qua hạ tầng vật lý như đường sắt, cảng biển hay mạng viễn thông trước đây. Mỹ và Trung Quốc đang theo đuổi hai chiến lược khác nhau Điều thú vị là Mỹ và Trung Quốc thực chất đang theo đuổi hai chiến lược khác nhau chứ không phải một bên đúng và một bên sai. OpenAI, Anthropic hay Google xây dựng mô hình kinh doanh dựa trên API, gói thuê bao và khách hàng doanh nghiệp, vì vậy việc giữ mô hình ở trạng thái đóng là hoàn toàn hợp lý. Trong khi đó, Alibaba, Tencent hay Zhipu sở hữu những hệ sinh thái rất lớn bao gồm cloud, thương mại điện tử, dịch vụ doanh nghiệp và hạ tầng số. Với họ, mô hình AI có thể được xem như cánh cửa thu hút nhà phát triển và doanh nghiệp bước vào toàn bộ hệ sinh thái phía sau. Một bên tập trung tối ưu doanh thu trực tiếp từ AI, trong khi bên còn lại tập trung mở rộng ảnh hưởng của AI để gia tăng giá trị cho toàn bộ hệ sinh thái. Cuộc chiến AI sẽ được quyết định bởi hệ sinh thái Trong khi nhiều người vẫn xem AI là một sản phẩm, Trung Quốc dường như đang xem AI là hạ tầng chiến lược của thế kỷ 21, tương tự như Internet, điện hay hệ điều hành trong những giai đoạn trước. Nếu góc nhìn đó là đúng, thì cuộc đua AI trong thập kỷ tới sẽ không chỉ được quyết định bởi mô hình nào thông minh hơn, mà còn bởi quốc gia nào xây dựng được hệ sinh thái AI được nhiều quốc gia, doanh nghiệp và nhà phát triển lựa chọn nhất.

Bức ảnh nói lên toàn bộ cuộc chiến AI hiện nay

MỌI CHUYỆN BẮT ĐẦU TỪ Gần đây, chính CEO NVIDIA Jensen Huang đã phải đích thân gửi một bức thư ngỏ đến các nhà hoạch định chính sách Mỹ, kêu gọi chính phủ không áp đặt các hạn chế quá sớm đối với các mô hình AI mã nguồn mở. Theo ông, thế giới cần cả frontier closed models lẫn frontier open models để thúc đẩy đổi mới, cạnh tranh và đảm bảo chủ quyền công nghệ. Jensen còn lần đầu tiên tạo tài khoản X để công khai chia sẻ bức thư này, cho thấy đây không còn là câu chuyện truyền thông mà đã trở thành một vấn đề chiến lược đối với NVIDIA. Không chỉ có NVIDIA, còn có 24 tổ chức lớn cùng ký tên, bao gồm Microsoft, Google, Meta, IBM, Dell, Hugging Face, Mozilla, Linux Foundation, Palantir, Mistral AI... Họ cùng gửi một thông điệp rằng việc siết chặt các mô hình AI mở có thể làm giảm cạnh tranh và đẩy đổi mới ra khỏi nước Mỹ. OpenAI và Anthropic THÌ PHẢN ĐỐI Trong khi đó, OpenAI và Anthropic thì đi hướng ngược lại. Hai công ty này nhiều lần cảnh báo về các rủi ro đến từ những mô hình AI mã nguồn mở của Trung Quốc như DeepSeek hay Qwen, từ vấn đề an ninh quốc gia, quyền riêng tư cho đến nguy cơ đánh cắp sở hữu trí tuệ thông qua chưng cất. Thoạt nhìn, có vẻ như một bên yêu thích open source còn một bên thì không. Nhưng nếu nhìn từ góc độ kinh doanh, mọi chuyện lại rất dễ hiểu. OpenAI và Anthropic kiếm tiền từ chính các mô hình AI của mình. Giá trị lớn nhất của họ nằm ở việc doanh nghiệp tiếp tục trả tiền để sử dụng GPT hay Claude. Chỉ riêng Anthropic hiện đã được định giá khoảng 183 tỷ USD, và gần như toàn bộ giá trị đó gắn liền với Claude. Khi các mô hình open-weight ngày càng mạnh và chi phí ngày càng thấp, lợi thế cạnh tranh của các mô hình độc quyền cũng sẽ bị thu hẹp. Vì vậy, việc họ muốn bảo vệ sở hữu trí tuệ và cảnh báo về những rủi ro của AI mở là điều hoàn toàn hợp lý. ĐIỀU thú vị nhất lại nằm ở NVIDIA, Microsoft và Google NVIDIA gần như không quan tâm khách hàng đang chạy GPT, Claude, DeepSeek, Qwen hay Llama. Miễn là các mô hình đó chạy trên GPU NVIDIA thì công ty vẫn bán được chip. Trong năm tài chính gần nhất, NVIDIA đạt khoảng 216 tỷ USD doanh thu, trong đó riêng mảng Data Center đã đóng góp khoảng 194 tỷ USD, tương đương 91% tổng doanh thu. Với NVIDIA, AI nào thắng cũng được, miễn là AI tiếp tục phát triển và tiêu thụ nhiều GPU hơn. Đó cũng là lý do Jensen Huang đang ở một vị thế rất đặc biệt. Trước đây, NVIDIA từng chịu cú sốc lớn khi Mỹ hạn chế xuất khẩu GPU AI cao cấp sang Trung Quốc, buộc công ty phải ghi nhận khoản chi phí khoảng 5,5 tỷ USD chỉ trong một quý. Trung Quốc từng chiếm khoảng 15% doanh số AI GPU của NVIDIA, nên bất kỳ chính sách nào làm thu hẹp thị trường AI đều ảnh hưởng trực tiếp đến doanh thu của hãng. Đến khi các quy định bắt đầu nới lỏng, nhiều công ty AI Trung Quốc cũng đã chuyển sang tìm kiếm hoặc phát triển các giải pháp trong nước, khiến NVIDIA không còn dễ dàng lấy lại thị phần như trước. Chính vì vậy, nếu Mỹ tiếp tục siết các mô hình AI mã nguồn mở, người chịu tác động không chỉ là DeepSeek hay Qwen. NVIDIA cũng sẽ mất đi một phần nhu cầu GPU trong tương lai. Đó là lý do Jensen Huang sẵn sàng công khai bảo vệ open-weight AI, dù OpenAI và Anthropic vẫn là những khách hàng lớn của NVIDIA. Microsoft và Google cũng ở trong tình thế tương tự. Microsoft đã đầu tư hơn 13 tỷ USD vào OpenAI, còn Google cũng đã rót khoảng 3 tỷ USD vào Anthropic. Thế nhưng cả hai vẫn ký tên ủng hộ hệ sinh thái open-weight AI. Nghe có vẻ mâu thuẫn, nhưng thực tế họ không chỉ là nhà đầu tư vào các công ty AI, mà còn là những nhà cung cấp hạ tầng cloud lớn nhất thế giới. Azure hay Google Cloud không chỉ chạy GPT hay Claude. Họ còn muốn khách hàng triển khai Llama, Qwen, DeepSeek, Mistral và hàng chục mô hình khác. Càng nhiều mô hình được triển khai, doanh nghiệp càng sử dụng nhiều GPU, nhiều máy chủ và nhiều dịch vụ cloud hơn. Với Microsoft và Google, một hệ sinh thái AI đa dạng đồng nghĩa với nhiều workload hơn và nhiều doanh thu hạ tầng hơn. OpenAI và Anthropic đang bảo vệ tầng AI Model. NVIDIA đang bảo vệ tầng GPU. Microsoft và Google đang bảo vệ tầng Cloud. Mỗi công ty đều có lập trường riêng vì họ đang đứng ở những vị trí khác nhau trong AI Stack. Còn về user thì sao? Thấy mấy ông cạnh tranh với nhau mừng quá, chứ để 1 mình Claude bá chủ thì tiền đâu mà trả cho đủ 😁

Mình tạo video ca nhạc này 100% model open source, free ko tốn một ngàn nào. Ảnh tạo bằng Qwen 2.1, cover nhạc YuE2, lên kịch bản, điều hướng camera bằng LLM Gemma4, video bằng Ltx 2.5 và fix face bằng Minimax H3. 😀

ComfyUI - 3080Ti 12Gb Vram - tổng thời lượng gen khoảng 1 tiếng rưỡi. Vẫn còn một vài lỗi nhưng mình dự định sẽ fix bằng Editor. Không biết mọi người có hứng thú kiểu tiết kiệm chi phí như mình không?

🚨 CĂNG: Những tuần tới có thể chứng kiến sự bùng nổ của hàng loạt model AI!

Những model đáng chú ý sắp xuất hiện: 🔥 GPT-6: Được đồn đoán sở hữu mô hình nền tảng mới ở cấp độ 10 nghìn tỷ tham số, context 1,5 triệu token; nâng cấp tối đa về bộ nhớ, cá nhân hóa và khả năng phối hợp đa tác nhân. 🔥 Fable 5.1: Trí tuệ đạt đỉnh ở cấp độ Mythos, có khả năng tự chủ thực hiện các nhiệm vụ dài hạn, chuyển đổi mã nguồn ở quy mô cực lớn; dẫn đầu về thị giác máy tính và công việc tri thức. 🔥 Opus 6: Trí tuệ gần ngang Fable nhưng có chi phí chỉ bằng một nửa, mang lại hiệu năng trên giá thành cực tốt; tiến hóa mạnh về lập trình, tự động hóa và AI Agent. 🔥 Grok 4.6: 1,5 nghìn tỷ tham số, nâng cấp lớn về SFT và RL, nhanh hơn và chính xác hơn. 🔥 Grok 4.7: 2,1 nghìn tỷ tham số, quy mô lớn hơn, sức mạnh vượt trội hơn và hiệu quả sử dụng token cao hơn. 🔥 Qwen 3.8 27B: Mô hình MoE đa phương thức với tổng quy mô 2,4 nghìn tỷ tham số, context 1 triệu token; một ứng viên mã nguồn mở đang vươn lên mạnh mẽ trong các tác vụ dài hạn. 🔥 Gemini 3.5 Pro: Context siêu dài 2 triệu token kết hợp Deep Think; tối đa hóa khả năng đa phương thức, AI Agent và thực thi tác vụ. 🔥 Kimi K4: Context siêu dài cùng hệ thống Agent Swarm quy mô 300 tác nhân; một “sát thủ” mã nguồn mở dành cho xử lý tài liệu dài và quy trình làm việc tự động. 🔥 DeepSeek V4 Pro – phiên bản chính thức: Mô hình MoE 1,6 nghìn tỷ tham số, kích hoạt 49 tỷ tham số, context 1 triệu token; đạt chuẩn SOTA mã nguồn mở về lập trình và suy luận, với hiệu năng trên giá thành thuộc hàng “vô đối”. Mã nguồn đóng đối đầu trực diện với mã nguồn mở!!!