Ngày 27/1/2025, một phòng thí nghiệm Trung Quốc mà phần lớn giới đầu tư chưa từng nghe tên đã “thổi bay” 589 tỷ USD vốn hóa của Nvidia chỉ trong một phiên. Đây là mức sụt giảm trong ngày lớn nhất trong lịch sử chứng khoán Mỹ. Tác nhân là DeepSeek, và “tội danh” là… quá mở.
Ngay cả Bitcoin (BTC) cũng chao đảo khi thị trường phải tiêu hóa một thực tế mới: AI tuyến đầu không còn là sân chơi độc quyền của vài phòng lab đóng kín.
Những điểm chính
- Mô hình “mở trọng số” công bố toàn bộ tham số đã huấn luyện để bất kỳ ai cũng có thể tải về, chạy và tinh chỉnh; khác với “mã nguồn mở hoàn toàn” vốn còn phải kèm mã huấn luyện và dữ liệu.
- Khoảng cách chất lượng đo được giữa mô hình mở tốt nhất và mô hình đóng tốt nhất trên các bảng xếp hạng công khai đã co lại từ 8% xuống dưới 2% trong khoảng một năm, trong khi giá suy luận giảm hàng trăm lần.
- Chi phí triển khai thấp, yêu cầu chủ quyền quốc gia, môi trường pháp lý thân thiện và hệ sinh thái developer rộng lớn đang tạo đà thực sự cho “mở trọng số” đối đầu mô hình chỉ-API.
“Mở trọng số” thực sự là gì?
Khái niệm này thường bị dùng rất lỏng, nên cần rõ ràng. “Mở trọng số” nghĩa là nhà phát triển phát hành bộ tham số cuối cùng của một mạng nơ-ron đã huấn luyện – chính là những con số mã hóa kiến thức mà mô hình học được. Người dùng có thể tải về, chạy trên hạ tầng riêng, rồi tinh chỉnh theo nhu cầu.
“Mở trọng số” không đồng nghĩa với “mã nguồn mở”. Open Source Initiative ngày 28/10/2024 đã công bố Định nghĩa AI Mã nguồn mở, đặt ra chuẩn cao hơn hẳn. Để được coi là mã nguồn mở, dự án phải công bố trọng số, mã huấn luyện và đủ chi tiết về dữ liệu để một người có chuyên môn có thể tái tạo hệ thống ở mức đáng kể.
Phần lớn mô hình đang được tiếp thị là “open source” hiện nay đều không vượt qua được bài test này. Llama của Meta, Qwen của Alibaba và DeepSeek đều chỉ phát hành trọng số, không công bố đầy đủ “công thức dữ liệu”.
Open Source Initiative nói rất thẳng về khác biệt này, nhấn mạnh rằng chỉ mở trọng số thôi thì chưa mang lại những quyền tự do như phần mềm mã nguồn mở. Khoảng trống đó nuôi dưỡng cuộc tranh cãi kéo dài về “open washing”, khi doanh nghiệp tự nhận là “mở” nhưng vẫn giữ lại những phần then chốt để người khác không thể tái tạo hoàn toàn công trình.
Dù vậy, với đa số nhà xây dựng sản phẩm, trọng số mới là phần quý giá nhất. Có bộ trọng số trong tay, họ có thể phục vụ mô hình, nén lại, huấn luyện lại và đóng gói thành sản phẩm. Về cơ bản, mỗi kiểu phát hành trao cho người dùng những thứ rất khác nhau:
- Mở trọng số: bộ tham số đã huấn luyện, thường dưới một giấy phép cho phép sử dụng, chỉnh sửa và nhiều khi cả khai thác thương mại.
- Mở mã nguồn hoàn toàn: trọng số cộng với mã huấn luyện và tài liệu dữ liệu đủ chi tiết để tái xây dựng mô hình.
- Đóng: không có gì có thể tải về; chỉ được truy cập qua một giao diện tính cước theo lượt dùng.
Chính “vùng giữa” – mô hình mở trọng số nhưng không hoàn toàn mã nguồn mở – đang bùng nổ về độ phổ biến, và đó cũng là thứ khiến các phòng lab đóng phải mất ngủ.
Đọc thêm: Nvidia giảm gần 5% vì “bảo lãnh” 250 tỷ USD cho OpenAI vẫn chưa ký
Khác gì với mô hình của OpenAI và Anthropic?
OpenAI và Anthropic đang đi theo hướng đối lập. Họ giữ chặt trọng số tốt nhất trong các trung tâm dữ liệu của riêng mình và bán quyền truy cập qua API. Người dùng gửi prompt, nhận phản hồi, nhưng không bao giờ chạm vào mô hình.
Cách làm này có logic thương mại rất rõ: bảo vệ chi phí huấn luyện, duy trì dòng doanh thu thuê bao và cho phép phòng lab vá hành vi hay cắt quyền truy cập bất cứ lúc nào.
Nó cũng được biện minh bằng lý do an toàn. CEO Anthropic, Dario Amodei, lập luận rằng khi trọng số đã công khai, nhà phát triển sẽ mất khả năng cập nhật hàng rào bảo vệ hay “thu hồi” một hệ thống nguy hiểm.
Vấn đề nằm ở sự phụ thuộc.
Khi mô hình chỉ tồn tại trên máy chủ của người khác, nhà cung cấp sẽ quyết định giá, thời gian hoạt động, điều khoản sử dụng dữ liệu và lịch khai tử phiên bản. Sản phẩm của bạn buộc phải “cưỡi” trên một hạ tầng mà bạn không kiểm soát và cũng không thể kiểm chứng bên trong.
Dù từng nhiều năm nói ủng hộ nghiên cứu mở, OpenAI không phát hành thêm mẫu ngôn ngữ mở nào kể từ GPT-2 năm 2019, cho tới ngày 5/8/2025. Hai mô hình gpt-oss, được ra mắt dưới giấy phép Apache 2.0 rất thoáng, có thể xem là sự nhượng bộ trực tiếp trước áp lực ngày càng lớn từ phong trào “mở trọng số”. Công ty từng xây nên cả một đế chế dựa trên API đóng buộc phải bước vào sân chơi mở.
Đọc thêm: OpenAI tìm kiếm hạn mức tín dụng 250 tỷ USD từ Nvidia cho siêu campus tại Ohio
Mười lý do “mở trọng số” đe dọa mô hình tập trung
Không có gì đảm bảo “mở trọng số” sẽ thắng tuyệt đối. Tuyến đầu công nghệ vẫn nằm trong tay các phòng lab lớn, và rủi ro là rất thực. Nhưng hướng đi của ba năm qua khá nhất quán – và nó ngược chiều với mô hình đóng, tính cước theo API.
Điều thay đổi là những lý lẽ để chấp nhận trả “phí độc quyền” cho một hộp đen ngày càng yếu đi. Sự hội tụ đang diễn ra đồng thời trên ba mặt: kỹ thuật, kinh tế và chính trị.
Dưới đây là 10 lý do cán cân đang dịch chuyển.
Khoảng cách chất lượng gần như biến mất
Yếu tố quan trọng nhất là sự hội tụ. AI Index 2025 của Stanford chỉ ra chênh lệch điểm số giữa mô hình đóng tốt nhất và mô hình mở tốt nhất trên bảng xếp hạng Chatbot Arena đã giảm từ 8% tháng 1/2024 xuống còn 1,7% vào tháng 2/2025.
Tuyến đầu cũng đông đúc hơn hẳn. Khoảng cách giữa mô hình hạng nhất và hạng 10 thu hẹp từ 11,9% xuống còn 5,4% chỉ trong một năm.
Khi lựa chọn đứng thứ hai có chất lượng tiệm cận nhưng chi phí chỉ bằng một phần nhỏ, việc trả thêm cho mô hình đóng trở nên khó biện minh. Với những doanh nghiệp sống nhờ “độc quyền chất lượng”, đây là bài toán giá rất đau đầu.
Giá của “trí tuệ” đã sụp đổ
Chi phí rơi còn nhanh hơn cả khoảng cách chất lượng. Dựa trên dữ liệu của Epoch AI và Artificial Analysis, AI Index ước tính chi phí chạy một truy vấn tương đương GPT-3.5 đã giảm từ khoảng 20 USD mỗi triệu token tháng 11/2022 xuống còn 0,07 USD tháng 10/2024.
Tức là mức giảm khoảng 280 lần trong chưa đầy hai năm.
DeepSeek đẩy logic này sang cả phía huấn luyện. Báo cáo kỹ thuật V3 của họ cho biết chi phí huấn luyện cuối cùng vào khoảng 5,6 triệu USD trên 2.048 GPU Nvidia H800 – so với con số hàng chục, thậm chí hàng trăm triệu USD của các mô hình tương đương ở phương Tây. “Trí tuệ giá rẻ” sẽ ưu ái những ai triển khai được nó rộng rãi, chứ không phải những người cố gắng giữ nó thật kín.
Bạn thực sự sở hữu mô hình
Thuê mô hình đóng đồng nghĩa chấp nhận “luật chủ nhà”. Nhà cung cấp có thể tăng giá, đổi điều khoản hay khai tử phiên bản mà sản phẩm của bạn đang phụ thuộc.
Nắm trọng số trong tay, đòn bẩy đó biến mất. Bạn có thể “đóng băng” một phiên bản, vận hành nhiều năm và chuyển nhà cung cấp hạ tầng mà không phải viết lại toàn bộ hệ thống.
“Khóa chặt nhà cung cấp” không phải nỗi lo lý thuyết. Nó hiện lên qua chi phí chuyển đổi, các cuộc di cư bắt buộc và những bảng giá mà khách hàng hầu như không có quyền mặc cả. Sở hữu trọng số giúp tháo ngòi từng điểm này:
- Đóng băng một phiên bản mô hình và giữ ổn định bao lâu tùy ý.
- Di chuyển giữa các nhà cung cấp cloud, hoặc chạy trên hạ tầng riêng, mà không phải tái kiến trúc.
- Tránh các quyết định khai tử bất ngờ có thể làm “sập” sản phẩm đang chạy.
Ngay cả các giấy phép mở hào phóng cũng có “chữ nhỏ” cần đọc kỹ. Điều khoản của Llama yêu cầu doanh nghiệp có trên 700 triệu người dùng hoạt động hàng tháng phải thương lượng riêng, đó là lý do nhiều người theo trường phái “mở thuần túy” từ chối coi Llama là mã nguồn mở đúng nghĩa.
Quyền riêng tư và chủ quyền dữ liệu
Có những loại dữ liệu theo luật không được rời khỏi tòa nhà. Bệnh viện, ngân hàng hay cơ quan nhà nước thường không được phép gửi hồ sơ nhạy cảm qua API của bên thứ ba.
Mô hình mở trọng số giải bài toán này bằng cách “đưa mô hình tới nơi dữ liệu ở”. Doanh nghiệp có thể chạy suy luận on-premises hoặc trong đám mây riêng, đảm bảo dữ liệu nhạy cảm không bao giờ vượt qua ranh giới với nhà cung cấp bên ngoài.
Chỉ riêng thuộc tính đó đã mở ra những cánh cửa mà mô hình chỉ-API không thể bước vào. Trong nhiều triển khai chịu giám sát chặt, quyền kiểm soát on-prem thường là yếu tố quyết định.
Các quốc gia tự xây mô hình của riêng mình
“Chủ quyền AI” đang trở thành mối bận tâm toàn cầu. Nhiều chính phủ coi việc phụ thuộc vào vài API của Mỹ hoặc Trung Quốc là rủi ro chiến lược.
Ngày 2/9/2025, EPFL, ETH Zurich và Trung tâm Siêu máy tính Quốc gia Thụy Sĩ ra mắt Apertus – mô hình hoàn toàn mở, được huấn luyện trên 15.000 tỷ token, bao phủ hơn 1.000 ngôn ngữ. Tại Abu Dhabi, Technology Innovation Institute đã phát triển dòng Falcon mở từ 2023, và nhiều nước khác cũng đang chạy các chương trình quốc gia riêng.
Mẫu hình lặp lại tại nhiều khu vực:
- Thụy Sĩ phát hành Apertus với trọng số, dữ liệu và mã đều công khai.
- UAE liên tục đưa ra các bản Falcon mới với điều khoản sử dụng rất thoáng.
- Pháp, Ấn Độ, Nhật Bản và Hàn Quốc đều tài trợ các chương trình mô hình hoặc hạ tầng tính toán trong nước.
Bạn không thể xây một nền tảng AI có chủ quyền trên mô hình chỉ được phép thuê. Trọng số mở là điều kiện tiên quyết, biến các chính phủ trở thành “nhà bảo trợ tự nhiên” của phe mở.
Cơ quan quản lý đang nghiêng về phía mở
Chính sách bắt đầu tạo lợi thế cho phía mở. Ngày 23/7/2025, Nhà Trắng công bố “Kế hoạch hành động AI của nước Mỹ”, trong đó có hẳn một mục “Khuyến khích AI mã nguồn mở và mở trọng số”.
Châu Âu cũng nghiêng về hướng tương tự, ít nhất là về mặt cấu trúc. Đạo luật AI của EU cho phép các nhà cung cấp mô hình mục đích chung miễn phí, mã nguồn mở được giảm bớt một phần nghĩa vụ tài liệu, miễn là mô hình không bị xếp vào loại rủi ro hệ thống.
Các gói khuyến khích hiện đang hướng về phía phát hành thay vì khóa chặt – ít nhất với các mô hình dưới tuyến đầu. Khi chính phủ dẫn đầu cuộc đua AI công khai ủng hộ mở trọng số, mô hình đóng mặc định mất đi lợi thế “được coi là hiển nhiên”.
Hệ sinh thái lập trình viên là vòng quay gia tốc
Quy mô kéo theo quy mô. Hugging Face tăng trưởng lên 13 triệu người dùng, hơn 2 triệu mô hình công khai và trên 500.000 bộ dữ liệu công khai trong năm 2025.
Các “cuộc đua lượt tải” kể câu chuyện phần còn lại. Meta cho biết Llama đã vượt mốc 1 tỷ lượt tải tính đến ngày 18/3/2025, tăng so với 650 triệu lượt đầu tháng 12/2024, trong khi Qwen của Alibaba đã đạt 700 đạt mốc hàng triệu lượt tải về tích lũy trên Hugging Face vào tháng 1/2026, kéo theo hơn 180.000 biến thể phái sinh và trên đường đi đã vượt Llama để trở thành họ mô hình mở bị "fork" nhiều nhất.
Mỗi bản fine-tune, adapter hay bản quant hóa xây dựng trên một mô hình mở đều đào sâu thêm "hào kinh tế" cho nó. Một API đóng không thể thu hoạch được hiệu ứng cộng dồn đó từ cộng đồng, đơn giản vì không ai có thể thực sự xây dựng trên một mô hình mà họ không được trực tiếp nắm giữ.
Chạy Ngay Trên Laptop Của Bạn
Trọng số mở ("open weights") gặp gỡ phần cứng phổ thông thông qua một bộ công cụ rẻ tiền. Kỹ thuật quantization nén mô hình xuống độ chính xác thấp hơn để giảm nhu cầu bộ nhớ, trong khi các phương pháp như LoRA cho phép fine-tune mà không phải huấn luyện lại toàn bộ.
Các runtime chạy cục bộ đã đưa điều này vào dòng chính. Ollama, llama.cpp và vLLM hiện cho phép developer triển khai những mô hình đủ mạnh chỉ với một GPU phổ thông hoặc thậm chí ngay trên laptop.
Một mô hình bạn có thể chạy trên cỗ máy giá khoảng 2.000 USD là một mô hình không ai có thể đơn phương "rút phích" từ xa. Mức độ độc lập đó là điều mà mô hình tính phí theo lượt gọi (metered model) không bao giờ mang lại.
Khả Năng Kiểm Toán Và Diễn Giải
Bạn không thể kiểm tra thứ mà bạn không nhìn thấy. API đóng chỉ trả về đầu ra, nhưng không cho phép soi vào cơ chế vận hành phía sau.
Trọng số mở cho phép giới nghiên cứu can thiệp trực tiếp vào mô hình, phân tích cách thức mô hình sai hỏng, và kiểm thử an toàn một cách công khai. Chính mức độ minh bạch này là lý do phe ủng hộ mã nguồn mở cho rằng mô hình mở dễ được làm cho đáng tin cậy hơn theo thời gian, chứ không phải khó hơn.
Với các ngành chịu điều chỉnh, nơi mỗi quyết định phải được giải trình, khả năng quan sát đó không phải là "tùy chọn sang chảnh". Nó thường là yêu cầu pháp lý bắt buộc.
Biên Giới Phi Tập Trung
Lý do mới nhất nằm ở giao điểm giữa AI và crypto. Khi trọng số là mở, năng lực tính toán để huấn luyện và vận hành mô hình không còn buộc phải tập trung trong một trung tâm dữ liệu duy nhất của một công ty.
Các dự án như Prime Intellect đã huấn luyện mô hình trên hạ tầng phần cứng phân tán toàn cầu, kèm theo cơ chế xác thực xem các máy từ xa có thực sự thực hiện lượng công việc như chúng khai báo hay không. Bittensor vận hành một thị trường trí tuệ máy được kích thích bằng token, với đơn vị định giá là token TAO (TAO).
Điều cần nói thẳng là: huấn luyện phi tập trung hiện vẫn chậm hơn và tốn kém hơn so với cụm tính toán tập trung. Nhưng sự kết hợp giữa trọng số mở và năng lực tính toán có thể kiểm chứng, được token hóa, đang tạo ra một trục cạnh tranh hoàn toàn mới mà các phòng lab đóng không thể sao chép.
Cũng nên đọc: Pixel 11 Sẽ Đắt Hơn, Và Google Đổ Lỗi Cho Trung Tâm Dữ Liệu AI
Phán Quyết
Open weights sẽ không xóa sổ các phòng lab đóng. Ở vùng biên công nghệ, lợi thế vẫn thuộc về bên chi nhiều tiền nhất cho hạ tầng tính toán; mô hình mở vẫn ra mắt chậm hơn vài tháng so với bản tốt nhất phía đóng; và trọng số phát hành công khai luôn mang rủi ro bị lạm dụng, đã tung ra là không thể "thu hồi."
Nhưng "vượt qua" không đồng nghĩa với "xóa sạch". Nó có nghĩa là dịch chuyển tâm điểm quyền lực, và sự dịch chuyển đó đã bắt đầu.
Khoảng cách chất lượng ngày càng mỏng, chi phí "mua" trí tuệ gần chạm về 0, và chính phủ, developer, lẫn nhà quản lý ngày càng ưa chuộng những mô hình mà họ có thể trực tiếp nắm giữ. AI tập trung sẽ tiếp tục bán sự tiện lợi ở phân khúc đỉnh cao. Phần còn lại của thị trường đang lặng lẽ tiến dần về phía những bộ trọng số mà họ có thể sở hữu.
Bài tiếp theo: Apple Đánh Mất Quyền Kiểm Soát Giá Bộ Nhớ Và Người Dùng Phải Trả Phần Chênh Lệch
