Nếu trọng số miễn phí, ai trả tiền cho lần huấn luyện tiếp theo, và ai sẽ giữ chúng ta an toàn?
Quang cảnh từ đường Knightsbridge nhìn tới Crystal Palace ở Hyde Park trong dịp Đại Triển lãm Quốc tế năm 1851. Dành tặng cho các Ủy viên Hoàng gia. London: Read & Co. Engravers & Printers, 1851. Wikimedia.
Vào tháng 5/1851, hàng triệu người đã đi qua các hành lang của một tòa nhà bằng kính để xem một bản xem trước của tương lai. Đại Triển lãm đã quy tụ những thứ tốt nhất mà thế giới đang mày mò chế tạo thời bấy giờ, bao gồm búa hơi nước, máy điện báo, máy gặt và bồn cầu xả nước. Bất kỳ ai cũng có thể đến gần công nghệ để thử phân tích ngược, và các quốc gia đã cử những kỹ sư xuất sắc nhất của mình đến để chắt lọc càng nhiều càng tốt từ các đối thủ. Nhà bảo trợ của sự kiện, Hoàng tử Albert, tin tưởng mạnh mẽ rằng sự lan tỏa là yếu tố quyết định để đẩy nhanh tiến bộ kinh tế.
Một thế kỷ rưỡi sau, nhà kinh tế học Petra Moser đã biến các danh mục triển lãm và gần 15.000 phát minh từ hội chợ này cùng phiên bản Mỹ năm 1876 thành một bộ dữ liệu. Điều quan trọng là các phát minh đến từ những quốc gia có và không có bảo hộ bằng sáng chế. Điều bà tìm thấy đã làm lung lay những người bảo vệ kiên trung nhất của quyền sở hữu trí tuệ mạnh: hệ thống bằng sáng chế không có ảnh hưởng gì đến mức độ đổi mới sáng tạo, mà chỉ ảnh hưởng đến nơi các nhà phát minh tập trung sự chú ý. Vào thời điểm đó, Thụy Sĩ không có bảo hộ bằng sáng chế, nên các nhà đổi mới tập trung vào những lĩnh vực như dụng cụ khoa học và thực phẩm (Nestlé được thành lập ở đó vào năm 1866), nơi bí mật, lợi thế đi trước và tài sản bổ trợ mang lại cho họ đủ lợi thế. Dưới chế độ sở hữu trí tuệ mạnh, sự đổi mới lan tỏa rộng rãi hơn. Cùng một lượng đổi mới, nhưng được phân bổ khác nhau giữa các lĩnh vực.
Sự căng thẳng tương tự giờ đây nằm ở trung tâm cuộc chiến giữa các mô hình AI trọng số đóng và trọng số mở. Anthropic và OpenAI cho rằng các “cuộc tấn công chưng cất (distillation attacks)” từ các công ty Trung Quốc đe dọa cả khả năng tài trợ cho thế hệ mô hình tiếp theo của ngành lẫn an ninh quốc gia Mỹ. Những người ủng hộ trọng số mở phản bác rằng sự lan tỏa là điều thiết yếu để có một thị trường trí tuệ máy móc cạnh tranh và đổi mới.
Nhưng bằng chứng của Moser cho thấy cuộc tranh luận đang tập trung vào sai khía cạnh. Trọng số mở khó có thể thay đổi mức độ đầu tư vào AI, mà chỉ thay đổi hướng đi của nó: thứ gì được xây dựng, ai xây dựng và ai thu về lợi nhuận. Các phòng lab đóng có thể tiếp tục thúc đẩy biên giới công nghệ tổng quát nhất, trong khi trọng số mở cho phép thử nghiệm lan tỏa khắp các công ty và lĩnh vực có thể kết hợp trí tuệ máy móc với dữ liệu khan hiếm, kênh phân phối và kiến thức ngầm. Chính vấn đề phân bổ này cũng định hình an toàn. Câu hỏi quan trọng không phải là sự mở có nguy hiểm về mặt lý thuyết hay không, mà là khi nào sự lan tỏa củng cố lực lượng phòng thủ, và những năng lực gây hại thực sự có thể bị kiềm chế ở đâu.
Những Tầm Nhìn Cạnh Tranh Cho Thị Trường Trí Tuệ
Lập luận kinh tế chống lại open-weights rất đơn giản: chưng cất là đánh cắp sở hữu trí tuệ và làm xói mòn động lực đổi mới. Nếu chính phủ Mỹ không can thiệp và dùng mọi công cụ sẵn có để ngăn chặn, không chỉ các phòng lab Mỹ không thể tài trợ cho các đợt huấn luyện quy mô lớn tiếp theo, mà Trung Quốc còn hưởng lợi không công từ sự tiến bộ của chúng ta và giành lấy quyền kiểm soát. Theo thế giới quan này, open-weights mang bản chất hết sức giảm tốc.
Lập luận phản bác lại dựa trên việc nhìn kỹ vào cách các công nghệ có mục đích chung lan tỏa trong nền kinh tế qua các thời kỳ, và kết luận rằng open-weights không chỉ về cơ bản là ủng hộ cạnh tranh và tăng tốc, mà còn rằng nếu thiếu chúng, nước Mỹ sẽ nhanh chóng tụt lại phía sau. Sự mở và thử nghiệm chính là cách chúng ta dẫn đầu trong kỷ nguyên internet, và lần này cũng không khác.
Các mối lo ngại về an toàn khiến cuộc thảo luận phức tạp hơn nữa. Dario Amodei đã có một cuộc vận động kéo dài nhiều năm chống lại open-weights với lý do rằng chúng khiến chúng ta trở nên cực kỳ mất an toàn. Ông tin rằng một khi vượt qua một ngưỡng trí tuệ nào đó, xã hội sẽ không thể tự bảo vệ khỏi những tác nhân xấu, và các mô hình nổi loạn có thể gây ra những tổn hại mang tính hiện sinh. Chỉ bằng cách kiểm soát truy cập và áp đặt các rào chắn an toàn, “đất nước của những thiên tài trong một trung tâm dữ liệu” như ông vẫn gọi mới có thể được phép tồn tại. Nhưng điều tồi tệ hơn là: vì open-weights không thể “thu hồi”, chúng ta có thể bất ngờ rơi vào kịch bản ngày tận thế mà không có nhiều cảnh báo hay lối thoát.
Những người chỉ trích Amodei chỉ ra rằng nếu không có open-weights, thị trường trí tuệ sẽ nhanh chóng tập trung cực độ, và thật tiện lợi cho Anthropic khi động cơ kinh doanh của họ tình cờ trùng khớp hoàn hảo không chỉ với mục tiêu an toàn AI mà còn với các mối quan tâm an ninh quốc gia Mỹ. Các nhà nghiên cứu bảo mật thường xuyên vượt rào các lớp bảo vệ trên mô hình đóng, và mô hình của Anthropic lẫn OpenAI đã bị tin tặc sử dụng rộng rãi, kể cả để xâm nhập hạ tầng chính phủ nhạy cảm. Trong khi mô hình đóng có thể mang lại cho chúng ta ảo giác an toàn, họ cho rằng điều đó chỉ giúp chúng ta mua được ảo giác về thời gian.
Mỗi bên đều có những lo ngại riêng về việc hành động sai ngày hôm nay sẽ khiến chúng ta gặp rắc rối không thể cứu vãn. Và cả hai bên đều thật lòng tin rằng cách tiếp cận của họ là cách duy nhất để giữ chúng ta an toàn (hoặc an toàn nhất có thể trong thực tế). May thay, kinh tế học không đứng về phe nào.
Chế Độ Chiếm Hữu Chưa Từng Tồn Tại
Anthropic và OpenAI đã bị các phòng lab khác đang tìm cách đuổi kịp vị trí tiên phong nhắm vào rất nhiều. Anthropic thậm chí đã công khai đề nghị Quốc hội Mỹ xử lý Alibaba vì những gì họ gọi là các cuộc tấn công trắng trợn và bất hợp pháp nhằm đánh cắp công nghệ của họ. Làm sao các phòng lab Mỹ có thể tiếp tục tài trợ cho các đợt huấn luyện cần thiết nếu các phòng lab Trung Quốc có thể, bằng mọi giá, tái tạo hiệu năng của mô hình họ trong vài tháng với chi phí rẻ?
Vấn đề với yêu cầu của Anthropic là, ngoài các tài khoản gian lận và việc lạm dụng API một cách có hệ thống, thứ chế độ chiếm hữu giống như bằng sáng chế mà họ dường như mong muốn chưa bao giờ tồn tại. Chưng cất là một hoạt động hợp pháp của ngành, và khác với kiểu gián điệp và đánh cắp bí mật thương mại mà các nhà thầu quốc phòng, hàng không vũ trụ và chip của Mỹ từng phải đối mặt. Các phòng lab Trung Quốc không trộm cắp trọng số bí mật của họ; họ đang đưa các prompt vào mô hình Mỹ để chúng đóng vai trò thầy giáo cho mô hình của mình.
Đầu ra không được bảo hộ bản quyền, và các phòng lab AI thường chuyển quyền sở hữu chúng cho khách hàng. Điều khoản dịch vụ vẫn có thể cấm khách hàng dùng những đầu ra đó để huấn luyện mô hình cạnh tranh. Nhưng điều đó dẫn đến một câu hỏi hiển nhiên: nếu công nghệ tân tiến đến vậy, tại sao các phòng lab không dùng chính nó để ngăn chặn chưng cất? Câu trả lời là cả nội dung lẫn nguồn gửi đều không để lộ dấu vết tấn công. Mỗi yêu cầu riêng lẻ trông giống hệt công việc của một khách hàng hợp pháp, và một chiến dịch có tổ chức có thể phân tán khối lượng của mình qua các tài khoản nuôi, các bên tổng hợp và nhiều khu vực pháp lý khác nhau. Nếu không tạo thêm những ma sát nặng nề hơn cho tất cả mọi người, việc thực thi trở thành trò chơi cấm các tài khoản mà đối phương có thể thay thế một cách dễ dàng. Sự đánh đổi này đã có thể thấy rõ với Fable, khi các hạn chế của nó đối với việc hỗ trợ nghiên cứu và phát triển AI tiên phong khiến khách hàng bực bội đến mức Anthropic phải điều chỉnh chỉ trong vài ngày. Các biện pháp kiểm soát chống gian lận đủ mạnh để tạo ra khác biệt chắc chắn sẽ ảnh hưởng đến một phạm vi công việc hợp pháp rộng lớn hơn. Về lâu dài, việc ngăn khách hàng huấn luyện trên những đầu ra họ đã trả tiền là một đề xuất kinh doanh thua lỗ: thắt chặt hạn chế quá mức, người dùng cao cấp sẽ chuyển sang các mô hình open-weights.
Cuối cùng, việc gán cho chính kỹ thuật đã tạo ra phần lớn tiến bộ của AI trong thập kỷ qua là bất hợp pháp sẽ đặt các phòng lab hàng đầu vào thế rất khó xử, vì ngày nay họ vẫn dựa vào các lập luận sử dụng hợp lý (fair use) cho chính việc chưng cất một lượng khổng lồ tài liệu internet, truyền thông và sách.
Nhưng nếu tạm gác sự hoài nghi sang một bên, việc các mô hình AI hàng đầu có thể đóng vai trò thầy giáo để cải thiện các mô hình yếu hơn có thực sự tệ cho AI của Mỹ không? Nếu chính phủ có thể dùng các đòn bẩy quyền lực mềm, chính sách và ngoại giao để thực thi điều đó, liệu chúng ta có muốn vậy không?
Độc Quyền Hay Không Độc Quyền?
Cả Richard Nelson vào năm 1959 lẫn người đoạt giải Nobel Kenneth Arrow vào năm 1962 đều từng vật lộn với một phiên bản của chính vấn đề này. Tri thức là thứ không cạnh tranh: việc tôi dùng một ý tưởng không ngăn bạn làm điều tương tự. Khi đã được chia sẻ, ý tưởng cũng không thể loại trừ. Kết quả là, giá trị xã hội của một ý tưởng vượt xa những gì người phát minh có thể chiếm lấy, dẫn đến nỗi lo kinh điển rằng một số loại ý tưởng sẽ không bao giờ được khám phá và tài trợ đúng mức.
Trọng số mô hình, ít nhất khi không có phần mềm bổ trợ xung quanh, cư xử rất giống ý tưởng.
Đối với xã hội, vấn đề quy về một sự căng thẳng liên thời gian đơn giản: một khi ý tưởng đã xuất hiện, xã hội muốn nó lan truyền càng rộng càng tốt. Suy cho cùng, chi phí biên của nó, như chi phí tải trọng số của một mô hình, gần như bằng không. Nhưng trước khi nó được tìm ra, xã hội cần ai đó thực sự tin rằng họ sẽ có thể chiếm lấy những lợi nhuận đáng kể và thu hồi chi phí R&D của mình.
Joseph Schumpeter đã đấu tranh với mâu thuẫn này cả đời, dao động giữa giá trị của lợi nhuận độc quyền để khuyến khích những khoản đầu tư ban đầu và nhu cầu về các công ty khởi nghiệp cùng sự phá hủy sáng tạo để phá bỏ thế độc quyền và thúc đẩy tăng trưởng khổng lồ về sau. Cuối cùng, ông kết luận rằng điều tốt nhất xã hội có thể làm là có phần mâu thuẫn: cấp một sự độc quyền tạm thời, rồi thả cho nó tự do bùng nổ.
Mọi thứ sau đó trong kinh tế học đổi mới về cơ bản là một cuộc tranh luận bất tận về việc sự độc quyền đó nên tạm thời trong bao lâu, và nếu có thì điều gì nên thực thi nó. Nhưng có một điểm mấu chốt quan trọng có thể khiến cán cân nghiêng hẳn về phía mở hoặc đóng.
Sự Cộng Dồn Ý Tưởng
Phần lớn, nếu không muốn nói là tất cả, sự đổi mới sáng tạo là kết quả của một hình thức tái tổ hợp ý tưởng nào đó. Trong những lĩnh vực mà tính tích lũy và khả năng tái phối trộn các công trình trước đây đặc biệt quan trọng, thời lượng và sức mạnh của quyền được cấp cho những người đi trước phải được cân nhắc kỹ lưỡng cùng với chi phí bổ sung do sự chậm trễ trong khám phá của những người theo sau. Các phòng lab AI hàng đầu, dù nguồn lực dồi dào đến đâu, cũng chỉ có thể theo đuổi một số ít hướng đi đầy hứa hẹn, và điều này cũng áp dụng cho an toàn AI.
AI luôn là thành quả của quá trình chưng cất nhanh chóng: các mô hình tuyệt vời ngày nay vừa là món quà từ hàng thập kỷ nghiên cứu hàn lâm về mạng nơ-ron trong suốt “mùa đông AI”, vừa là món quà từ việc Google công bố kiến trúc Transformer. Nhìn theo cách đó, các mô hình open-weights đóng vai trò học trò của các mô hình đóng chính là sự tiếp nối trực tiếp của dòng chảy đó. Đầu ra của mô hình là một đầu vào nghiên cứu quan trọng để hệ sinh thái tiến lên.
Thí nghiệm tự nhiên rõ ràng nhất về việc hạn chế quyền tiếp cận các đầu vào R&D ảnh hưởng đến đổi mới như thế nào đến từ một cuộc đua khác: cuộc đua giữa công ty vì lợi nhuận Celera và Dự án Hệ gen Người do công quỹ tài trợ để giải trình tự DNA của chúng ta. Khi Celera giải trình tự một gen đầu tiên, họ hạn chế truy cập bằng phí, giới hạn tái phân phối và yêu cầu cấp phép cho mục đích thương mại. Heidi Williams phát hiện ra rằng những gen này thu hút ít hơn 20–30% nghiên cứu tiếp nối và phát triển sản phẩm so với các gen tương tự đã được công khai từ đầu. Dù các hạn chế chỉ tồn tại trong thời gian ngắn và biến mất trong vòng hai năm khi dự án công lập tự giải trình tự cùng các gen đó, khoảng cách vẫn kéo dài. Mãi đến tận năm 2009, các gen do Celera giải trình tự vẫn chậm hơn các gen khác.
Khi giá trị của công việc tiếp nối cao, ngay cả những ma sát ban đầu nhỏ cũng bị cộng dồn lại. Đối xứng với điều đó, việc dỡ bỏ ma sát có thể tạo ra những hệ quả lớn cho cả tốc độ lẫn hướng đổi mới: khi nghiên cứu vật liệu sinh học, Jeff Furman và Scott Stern nhận thấy tính tích lũy tăng từ 57 đến 135% khi các đầu vào được tiếp cận dễ dàng hơn. Trong bối cảnh chuột biến đổi gen, Fiona Murray, Philippe Aghion và các đồng tác giả đã nghiên cứu điều gì xảy ra khi NIH thương lượng để dỡ bỏ các hạn chế của DuPont đối với hàng trăm dòng chuột Cre-lox và Onco, chấm dứt các khoản tiền bản quyền truy suất (reach-through royalties) và chế độ báo cáo vốn hạn chế giới học thuật tiếp cận. Nghiên cứu tiếp nối tăng lên. Đáng chú ý hơn, nó lan tỏa ra: các nhà nghiên cứu mới tham gia và họ khai phá những hướng đi mới mẻ hơn. Ở phía thượng nguồn, việc tạo ra chuột biến đổi gen mới không bị ảnh hưởng.
Nhìn chung, bất cứ khi nào lợi ích của tính tích lũy và khám phá rộng là cao, thì sự mở chính là chiến lược chiếm ưu thế. Điều này cũng có nghĩa là xã hội hưởng lợi nhiều nhất từ sự mở khi độ không chắc chắn vẫn còn tương đối cao, như trong lĩnh vực AI hiện nay. Khi thứ còn lại chỉ là thực thi theo một quỹ đạo đã biết, thì chế độ đóng ít gây hại hơn nhiều. Ngay cả trong trường hợp hẹp đó (ví dụ, một phân tử có lợi ích lâm sàng đã được hiểu rõ và giờ cần được thương mại hóa), xã hội chỉ cấp độc quyền tạm thời để đổi lấy thông tin liên quan. Bản thân bằng sáng chế là công cụ để lan tỏa và để tránh việc bí mật thương mại dẫn đến không có sự tiết lộ nào.
Giờ bạn có thể thắc mắc liệu những ví dụ từ các lĩnh vực nặng tính khoa học này có áp dụng được cho AI không. Suy cho cùng, vận hành mô hình ở quy mô lớn đòi hỏi những khoản đầu tư khổng lồ vào hạ tầng, và việc xây dựng hạ tầng đó chính là nơi tập trung phần lớn rủi ro của các phòng lab. Nhưng bài học từ lĩnh vực viễn thông cũng hoàn toàn giống vậy. Năm 1956, một thỏa thuận dàn xếp chống độc quyền buộc AT&T phải cấp phép miễn phí bản quyền một trong những danh mục bằng sáng chế có giá trị nhất mọi thời đại. Theo đo lường của Martin Watzinger và các đồng tác giả, khi các phát minh của AT&T, bao gồm transistor, bỗng dưng có sẵn cho người khác xây dựng tiếp, hoạt động phát minh đã tăng 17% trong năm năm. Điều thú vị là hiệu ứng này không đến từ việc các công ty lớn khác hưởng lợi không công trên tài sản trí tuệ của AT&T, mà từ các công ty mới theo đuổi những thị trường hoàn toàn khác. Bell Labs cũng tập trung mạnh hơn vào mảng kinh doanh cốt lõi và không bị cản trở trong việc đổi mới: laser vào năm 1957, vệ tinh truyền thông năm 1962, Unix năm 1969.
Mặc dù ý tưởng để người khác tiếp tục xây dựng dựa trên ý tưởng của bạn có thể gây bực bội cho Anthropic và OpenAI, tin tốt là với một số rất ít ngoại lệ, đây chính xác là cách tiến bộ kinh tế vận hành. William Nordhaus chỉ ra rằng trung bình các nhà đổi mới chỉ chiếm được khoảng 2,2% thặng dư xã hội mà họ mang lại cho thế giới. AI sẽ không phải ngoại lệ. Nhưng điều này cũng đặt yêu cầu của Anthropic với chính phủ Mỹ vào đúng bối cảnh: xã hội không nợ các phòng lab một chế độ chiếm hữu mạnh hơn. Hóa ra, một cơ chế khác đã tồn tại sẵn.
Chặng Cuối Của Sự Đổi Mới
Khi một công nghệ có mục đích chung mới xuất hiện, ban đầu nó phải bị buộc phải lắp ghép vào hệ thống hiện có. Những “giải pháp điểm” ban đầu này chỉ nhận ra một phần giá trị của mô hình mới, và chỉ khi kiến trúc có thể được thiết kế lại từ những nguyên lý cơ bản, công nghệ đó mới thực sự mang tính đột phá.
Cuộc tái cấu trúc này đòi hỏi quyền kiểm soát và sự thích ứng với các tài sản bổ trợ chủ chốt, bao gồm hạ tầng, lòng tin, khả năng tiếp cận kênh phân phối và mối quan hệ với các cơ quan quản lý. Điều này trao cho các công ty hiện hữu một cơ hội thứ hai: trong khi những người mới tham gia có thể đã khiến họ bất ngờ và đổi mới vượt trội đến thời điểm này, thì khi sự phụ thuộc vào tài sản bổ trợ trở thành yếu tố giới hạn, họ có thể bắt chước hoặc mua lại, theo kịp và giữ vững vị thế của mình.
Vào những năm 1980, Richard Levin và các đồng nghiệp tại Yale đã hỏi các giám đốc điều hành trong các lĩnh vực đổi mới sáng tạo trên khắp nước Mỹ một câu hỏi cơ bản: điều gì bảo vệ các khoản cược R&D của bạn? Bằng sáng chế đứng cuối bảng. Còn đứng đầu? Học hỏi, bí mật, lợi thế đi trước và tài sản bổ trợ. Nghiên cứu được lặp lại một thập kỷ sau đó: câu trả lời vẫn y hệt. Ngoại lệ? Dược phẩm và hóa chất, những lĩnh vực mà một phân tử cụ thể có thể định nghĩa cả một nhóm sản phẩm, và sự độc quyền hẹp có hiệu lực thực sự. Nhưng phần lớn nền kinh tế vận hành với khả năng loại trừ người khác khỏi các ý tưởng nền tảng rất hạn chế.
Bất cứ khi nào khả năng chiếm hữu yếu, vẫn có những khoản lợi nhuận đáng kể có thể kiếm được; chúng chỉ chảy vào tay những ai kiểm soát các tài sản bổ trợ cho thứ bỗng dưng trở nên tốt hơn, rẻ hơn, nhanh hơn. Một ví dụ kinh điển là hãng thu âm EMI của ban nhạc Beatles, công ty này đồng thời là một hãng điện tử và đã nắm bằng sáng chế cho chiếc máy chụp CT đầu tiên. Kỹ sư hàng đầu của họ, Godfrey Hounsfield, đã nhận giải Nobel cho phát minh này. EMI không thu được chút giá trị nào. Trong vòng vài năm, EMI bị thâu tóm và thị trường CT rơi vào tay GE và Siemens. Tài sản bổ trợ của GE là gì? Mạng lưới phân phối và dịch vụ bệnh viện, “chặng cuối” để máy quét thực sự đến được thị trường.
AI sinh ra ở phía yếu của thang đo khả năng chiếm hữu. Bất chấp sự cạnh tranh khốc liệt trong cuộc đua tới ASI, các hiểu biết nghiên cứu thường xuyên thoát ra khỏi phạm vi phòng lab, nhân tài liên tục chuyển dịch giữa các công ty theo truyền thống Thung lũng Silicon, và API của các mô hình chắc chắn để lộ thông tin giá trị. Trên tất cả các kênh này, ngay cả những biện pháp đối phó hà khắc nhất cũng chỉ mua thêm cho các phòng lab tiên phong một chút thời gian dẫn trước. Hơn nữa, chúng sẽ phản tác dụng thảm hại vì các nhân tài hàng đầu và các khách hàng doanh nghiệp lớn có đòn bẩy rất lớn trong giai đoạn này.
Tất nhiên, không phải toàn bộ công thức bí mật của một phòng lab đều lọt vào phạm vi công cộng. Theo Epoch AI, các đợt huấn luyện cuối cùng chỉ chiếm từ 10% đến 23% tổng chi phí tính toán, và các phòng lab đang tích lũy kiến thức ngầm đáng kể trong thu thập và xử lý dữ liệu, thiết kế và tối ưu hạ tầng, cùng việc học hỏi từ các thử nghiệm và hướng đi thất bại. Nhưng bài học vẫn vậy: nếu các phòng lab không thể nhanh chóng nắm giữ các tài sản bổ trợ chủ chốt cần để mở rộng AI ra thị trường, giá trị sẽ dồn vào nơi khác.
Điều này giải thích vì sao các phòng lab AI đang cố tăng mức độ khóa khách hàng (lock-in) bằng cách gắn chặt mô hình với các bộ khung vận hành, đồng thời mở rộng xuôi dòng vào tầng ứng dụng với các công cụ như Claude Cowork, Claude Tag và ChatGPT computer use. Những công cụ này không chỉ thu thập các dấu vết có ý nghĩa để tái tạo kỹ năng, quyết định và phán đoán của con người, mà còn khuếch đại giá trị khách hàng nhận được khi họ dồn toàn bộ tương tác và ký ức vào cùng một hệ sản phẩm thay vì sử dụng đa nền tảng (multi-homing). Nếu bạn có thể là cửa ngõ cho mọi nhu cầu AI của khách hàng, bạn có rất nhiều cách để phát triển trải nghiệm đó sao cho giữ chân họ bền hơn, ngay cả khi trí tuệ nền tảng đã bị hàng hóa hóa.
Ngoài việc mở rộng ở tầng ứng dụng và tích hợp dọc điện toán để giành lợi thế chi phí, quy định có lẽ là cách hiệu quả nhất để các phòng lab tiên phong đưa một tài sản bổ trợ vào cuộc chơi: nếu nhân danh an toàn, họ có thể nâng cao đáng kể tiêu chuẩn đánh giá và phê duyệt mô hình, họ có thể khiến những đ
Điều đó vẫn để lại câu hỏi chiến lược kinh doanh: dù có giá trị thế nào, liệu các phòng lab AI có thể chiếm đoạt các quy định an toàn để kìm hãm sự phát triển của open-weight, ở trong nước lẫn quốc tế? Hay động lực kinh tế của công nghệ này đang đẩy theo một hướng khác?
Sở hữu trọng số sản xuất
Một số doanh nghiệp xem việc các phòng lab AI hàng đầu có thể chi phối quy định là mối đe dọa cho hoạt động kinh doanh của họ, và đã bắt đầu ủng hộ các cách tiếp cận “tự chủ” đối với công nghệ này, bắt đầu từ việc open-weight không bị đẩy vào thế bất lợi về quy định. Việc tập trung vào open-weight nhằm giảm sự ràng buộc nhà cung cấp, vì triển khai ở doanh nghiệp đòi hỏi một lượng công việc tùy chỉnh không nhỏ để tối ưu hiệu suất của mô hình, đồng thời bảo vệ những thông tin giá trị nhất của công ty.
Để các mô hình xử lý các quy trình làm việc chuyên sâu ngày càng tiên tiến hơn, cần có dữ liệu chi tiết hơn và độc quyền hơn. Ngày nay, dữ liệu đó vẫn nằm trong tay các nhà lãnh đạo ngành, nhưng trong kỹ thuật, thiết kế, tài chính, kế toán và luật, các phòng lab AI đang ráo riết tìm kiếm những cách sáng tạo để thu thập thêm. Một phần trong đó là tri thức ngầm được mã hóa trong “trọng số” trong đầu các chuyên gia trong lĩnh vực; một phần nằm trong các hệ thống lưu trữ hồ sơ vận hành lâu năm; và một phần vẫn chưa được đo lường — mặc dù các doanh nghiệp thường có sẵn mối quan hệ với đúng nhà cung cấp và khách hàng để thu thập nó.
Do đó, trong khi làn sóng đối thoại đầu tiên giữa các phòng lab và doanh nghiệp xoay quanh sự hợp tác (công nghệ của chúng tôi, chuyên môn của bạn), nhiều khách hàng ngày càng cảm thấy họ chỉ còn một bước nữa là phải cạnh tranh với chính nhà cung cấp AI của mình. Mất quyền kiểm soát “trọng số sản xuất” là một mối lo thực sự, đặc biệt vì các nhà cung cấp nền tảng có động cơ mạnh mẽ để nuốt lời hứa trung lập và ưu ái sản phẩm của chính họ. Một ví dụ điển hình là mối quan hệ căng thẳng hiện nay giữa Anthropic và Figma, khi Figma khởi đầu là một khách hàng, nhưng giờ phải cạnh tranh để tránh bị loại khỏi chuỗi giá trị.
Sự quan tâm ban đầu của doanh nghiệp đối với các mô hình open-weight chủ yếu xuất phát từ chi phí, và là một sự điều chỉnh tự nhiên sau nhiều tháng nhân viên “tokenmaxxing” để tăng năng suất. Bằng cách chuyển các prompt sang các mô hình open-weight chi phí thấp hơn, doanh nghiệp có thể chuyển một phần đáng kể nhu cầu token của họ sang các mô hình frontier đắt đỏ hơn. Các phòng lab AI đã bắt đầu chống lại điều này bằng cách liên tục cắt giảm giá cho các mô hình cấp thấp, và huấn luyện mô hình của họ để hoạt động tốt nhất với các sản phẩm của họ.
Nhưng về lâu dài, chi phí không phải là lý do khiến doanh nghiệp nên quan tâm đến sự cởi mở: sự kiểm soát mới là khía cạnh quan trọng. Đúng là các phòng lab hứa không huấn luyện trên dữ liệu đầu vào và đầu ra, nhưng thực tế là các tương tác với công cụ của họ vẫn làm rò rỉ thông tin giá trị. Hơn nữa, khi công cụ phát triển và khi các công ty đầu tư nguồn lực đáng kể vào việc tùy chỉnh luồng AI của mình, sự ràng buộc với nhà cung cấp chỉ ngày càng tăng. Vì vậy, đối với hầu hết các nhà dẫn đầu thị trường, open-weight không chỉ là cửa thoát hiểm về chi phí, mà còn là vấn đề sống còn. Trong vài năm tới, mọi công ty sẽ cần một cách để huấn luyện, tối ưu hóa và sở hữu các mô hình hỗ trợ các hoạt động chiến lược nhất của mình. Nếu không thể giữ lại những tri thức ngầm và bài học quan trọng nhất, họ sẽ bị loại khỏi chuỗi giá trị.
Có thể thấy hình ảnh tương lai dưới một cấu trúc tự chủ hơn qua sự hợp tác gần đây giữa Thinking Machines và công ty đầu tư Bridgewater. Đối với một quỹ phòng hộ, alpha chính là công việc kinh doanh, vì vậy chúng ta có thể kỳ vọng Bridgewater sẽ đặc biệt thận trọng khi lựa chọn kiến trúc AI. Trong trường hợp này, hai bên đã hợp tác để huấn luyện một mô hình tùy chỉnh như một phần mở rộng của mô hình cơ sở của Thinking Machines. Phòng lab mang đến trí thông minh máy móc tổng quát và công cụ huấn luyện AI, còn quỹ phòng hộ mang đến những hiểu biết độc quyền. Sự phân công lao động này bảo vệ Bridgewater và cho họ quyền kiểm soát nhiều hơn đối với các trọng số nắm giữ tài sản trí tuệ cốt lõi và tri thức ngầm.
Từ góc độ chiến lược, trong khi Anthropic và OpenAI đôi khi bị chính khách hàng của họ xem là đối thủ tiềm năng, Thinking Machines đang theo đuổi cách tiếp cận nâng cao chuỗi giá trị, theo đó họ chỉ thắng khi khách hàng của họ cũng thắng. Microsoft và Palantir cũng đã đặt cược tương tự để trở thành nhà cung cấp hạ tầng và công cụ AI cho các doanh nghiệp muốn giữ trí thông minh máy của mình trong phạm vi kiểm soát riêng, và nhiều công ty khác sẽ làm theo.
Cách tiếp cận nào phù hợp hơn với thị trường trí thông minh? Một bên bắt đầu từ trí thông minh tổng quát do một vài phòng lab AI hàng đầu xây dựng rồi lan xuống hạ nguồn, hay một bên bắt đầu từ dưới lên từ tầng ứng dụng rồi phản hồi ý tưởng và cải tiến trở lại vào vô số mô hình open-weight? Điều đó phụ thuộc vào hình dạng của nhu cầu về trí thông minh.
Vẽ bản đồ độ cong của trí thông minh
Bất kỳ công nghệ đa dụng nào cũng mang lại những lợi ích lan tỏa rộng khắp các ngành đến mức không một công ty đơn lẻ nào có thể chiếm hữu hết. Về lý thuyết, điều này có thể dẫn đến tình trạng đầu tư dưới mức. Mô hình AI của Anthropic và OpenAI càng tổng quát, khoảng cách giữa việc tạo ra và chiếm giữ giá trị càng lớn, điều này có thể giải thích cho việc gần đây họ tập trung nhiều hơn vào các mô hình chuyên biệt trong lĩnh vực an ninh mạng và khoa học sự sống. Người ta có thể lo rằng nếu không có các phòng lab, một số lĩnh vực trí thông minh máy móc khó kiếm tiền hơn sẽ bị bỏ quên, vì ai cũng có động cơ ăn theo các khả năng nền tảng và xây dựng ở nơi có mức sẵn sàng chi trả cao.
Nhưng quan điểm này bỏ lỡ một hệ quả quan trọng của việc open-weight biến các khả năng frontier của ngày hôm qua thành hàng hóa: khi chi phí sụp đổ, một loạt ứng dụng vốn không kinh tế bỗng trở nên khả thi. Điều này thúc đẩy việc áp dụng, và cùng với việc áp dụng, số lượng công ty có lý do để hỗ trợ các yếu tố đầu vào công nghệ dùng chung cũng tăng lên. Chúng ta đã từng thấy điều này với phần mềm mã nguồn mở như Linux, nơi các công ty có mô hình kinh doanh bổ trợ đóng góp trở lại cho cộng đồng chung, và điều này có thể lý giải vì sao NVIDIA có thể tập hợp một liên minh lớn và đa dạng để ủng hộ open-weight.
Điều này dẫn đến một cách phân chia thị trường cụ thể. Đường cong quan trọng là mức lợi nhuận từ một đơn vị khả năng mô hình tăng thêm. Trên phần lớn nền kinh tế, lợi nhuận này sẽ giảm nhanh: một khi mô hình đã đủ tốt, những lợi ích tăng thêm ít quan trọng hơn giá cả, độ tin cậy và tính dễ triển khai. Trí thông minh sẽ hoạt động như một loại hàng hóa và được định giá “theo công tơ”, giống như các electron trong hóa đơn tiền điện. Các mô hình open-weight, hoặc các mô hình đóng vận hành theo chi phí, sẽ phục vụ phần thị trường này, và các công ty có lợi thế về hạ tầng hoặc năng lực tính toán sẽ cạnh tranh bằng chi phí. Một số phòng lab thậm chí có thể gói kèm hoặc trợ giá chéo cho các token thương phẩm để giữ chân khách hàng cho các loại token có biên lợi nhuận cao hơn.
Nhưng việc tạo ra token giá trị gia tăng sẽ khác. Khi các công ty trở thành nhà máy token, biến token đầu vào thành những phiên bản tinh luyện hơn của chính chúng, họ chỉ có thể tính giá cộng thêm nếu có quyền truy cập vào ground truth, dữ liệu và nhân tài tốt hơn. Những yếu tố này là cần thiết để mở rộng phạm vi những gì có thể tự động hóa một cách an toàn và mang lại trí thông minh máy móc sát với điều kiện hiện tại hơn. Cuối cùng, đây chính là nơi các tài sản bổ trợ sẽ đóng vai trò then chốt, và một số mô hình giá trị nhất sẽ được thúc đẩy bởi các công ty đang ở tuyến đầu trong việc chuyển hóa ma sát với thế giới thực thành những token tốt hơn. Công việc của agent chỉ tạo ra giá trị khi nó có thể được tin cậy, và sự tin cậy đòi hỏi hạ tầng xác minh tốt hơn. Con đường duy nhất để xác minh hiệu quả hơn là có ground truth tốt hơn đối thủ cạnh tranh. Tất nhiên, phân phối là một cách để thu thập điều đó nhanh hơn những người khác.
Các lĩnh vực khác lại có độ cong ngược lại. Trong an ninh mạng, tài chính, R&D tiên phong (bao gồm cả phát triển AI) và các vấn đề có thể cấp bằng sáng chế, một lợi thế nhỏ về khả năng có thể tạo ra lợi nhuận không cân xứng. Những mức lợi nhuận lồi này có thể duy trì các khoản lợi tức tiên phong tạm thời, vì người mua sẽ trả giá rất cao để có được mô hình tốt nhất hiện có thay vì mô hình tốt thứ hai. Việc các khoản lợi tức này thuộc về các phòng lab đa năng hay các nhà cung cấp chuyên biệt phụ thuộc vào việc ai tiếp cận được đúng dữ liệu trước.
Nhưng các lĩnh vực có lợi nhuận cao nhất lại có một đặc điểm mà nhiều người tin tưởng vào các phòng lab tiên phong thường bỏ lỡ. Trong những lĩnh vực lồi nhất, người mua biên không phải là người dùng hay công ty, mà là một quốc gia. Và khi điều đó thực sự quan trọng, các quốc gia không cần dùng đến thị trường. Chúng ta đã thấy một phần trước qua các lệnh cấm Fable và Mythos. Khi Mỹ và Trung Quốc chạy đua trong AI, robot, lượng tử và không gian, họ sẽ làm mọi thứ cần thiết để dẫn trước. Vì vậy, đường cong càng dốc, khả năng một phòng lab nếu đạt được điều gì đó thực sự chưa từng có sẽ bị quản lý chặt chẽ hoặc thậm chí bị quốc hữu hóa càng cao. Mỉa mai thay, để bất kỳ phòng lab AI nào giữ được tự do, nó cần phải thành công, nhưng không được quá thành công.
Điều này dẫn đến một câu hỏi tự nhiên về AGI/ASI. Trong khi nhiều người có thể tranh luận rằng chúng ta đã có siêu trí thông minh dạng AGI trong mọi lĩnh vực có thể xác minh, thì cũng công bằng khi tự hỏi liệu tất cả những điều được bàn đến có còn áp dụng nữa hay không khi một phòng lab đạt đến ASI. Nếu có gì, ASI chính là lý do khiến các phòng lab theo đuổi sự tự cải thiện đệ quy thay vì các ngành dọc sinh lời. Lập luận là nếu bạn giải quyết mảnh trí thông minh trước, phần còn lại của nền kinh tế sẽ phải khuất phục trước mã code. Nhưng nếu bạn tin rằng tri thức ngầm phân tán vẫn còn quan trọng để ASI hoạt động hiệu quả, thì bạn sẽ nhanh chóng nhận ra rằng giá trị của các tài sản bổ trợ không biến mất cùng với ASI. Nếu có gì, chúng thậm chí có thể trở thành nút thắt chặng cuối cho việc triển khai. Cuối cùng, nếu ASI được tạo nên từ những ý tưởng, thì việc kiềm giữ nó mãi mãi sẽ là bất khả thi. Nó sẽ rò rỉ, đường cong sẽ bị hàng hóa hóa, và giá trị sẽ lại tích tụ nơi còn ma sát.
Nhà tổng quát so với nhà chuyên biệt, và những ẩn số chưa biết
Đến lúc này, hy vọng đã rõ rằng open-weight thách thức không phải là mức độ đầu tư vào AI, mà chỉ là hướng đi của nó.
Một thế giới nơi open-weight thống trị sẽ duy trì tiến bộ trong mọi lĩnh vực có ít nhất một công ty với mô hình kinh doanh hoặc tài sản bổ trợ để đảm bảo khả năng chiếm hữu lợi nhuận. Một số công ty, như NVIDIA, tự nhiên quan tâm đến bất kỳ lĩnh vực nào dẫn đến nhu cầu trí thông minh lớn hơn. Những công ty khác quan tâm vì AI giúp giảm chi phí, cải thiện chất lượng, tăng mức độ tương tác và giữ chân khách hàng, v.v. Một kết cục xoay quanh mô hình mở là kết cục mà trí thông minh máy móc vẫn rất mạnh mẽ, nhưng chuyên biệt. Trong kịch bản này, tùy thuộc vào cách SOTA được đạt được và làm mới trong từng lĩnh vực, các phòng lab AI đa năng có thể gặp chung số phận với EMI: họ phát minh ra máy CT, nhưng không thể kiếm tiền từ nó.
Ở phía đối diện của quang phổ, một thế giới nơi mọi tiến bộ nằm trong tay một vài phòng lab lớn là một thế giới mà xã hội được hưởng lợi từ dạng trí thông minh tổng quát nhất có thể. Điều kiện để điều này bền vững là các phòng lab giành được đủ lợi thế và thời gian dẫn trước trong mỗi vòng nhằm bù đắp chi phí R&D và chống lại sự hàng hóa hóa. Đó là một thế giới nơi các phòng lab có quyền lực thị trường đáng kể, nhưng open-weight kiềm chế họ bằng cách khiến vị thế của họ ít nhất cũng bị thách thức một phần.
Tùy thuộc vào hình dạng thực tế của nhu cầu trí thông minh máy móc, cả hai kịch bản có thể sẽ tiếp tục cùng tồn tại trong một thời gian: các phòng lab đóng kín chiếm giữ phần đỉnh thị trường, các mô hình open-weight phục vụ phần lớn token, và quá trình này lặp lại qua từng thế hệ. Nhưng nếu AGI/ASI trở nên quá rẻ để đo đếm, thì hào phòng thủ cuối cùng còn sót lại sẽ là thông tin chưa được khám phá, và mọi thứ chưa được đo lường. Cuộc đua khi đó sẽ trở thành cuộc tranh tài xem ai có thể tìm ra ma sát với vũ trụ và thu thập tín hiệu đó trước để đưa nó trở lại cho siêu trí thông minh. Và đó là một cuộc chơi mà nhiều dạng trí thông minh phân tán có thể có lợi thế không công bằng so với một trí thông minh tập trung.
Nhận thức sâu sắc của Friedrich Hayek về điểm yếu chí mạng của kế hoạch hóa tập trung không phải là các nhà hoạch định thiếu trí thông minh hay năng lực tính toán. Mà là không một nhà hoạch định nào, dù thông minh đến đâu, có thể sở hữu toàn bộ kiến thức liên quan. Kiến thức đó phân tán, mang tính địa phương, thường là tri thức ngầm, và liên tục thay đổi: “kiến thức về những hoàn cảnh cụ thể của thời gian và địa điểm.” Ngay cả một siêu trí thông minh cũng sẽ phải liên tục dấn thân vào thế giới để khám phá ra nó.
Thị trường vượt trội hơn kế hoạch hóa tập trung vì chúng biến vô số cuộc chạm trán độc lập với thực tế thành một quá trình khám phá, thích nghi và chọn lọc phân tán. Nhiều siêu trí thông minh cạnh tranh nhau, mỗi cái dò tìm một biên giới khác nhau của vũ trụ với những giả định và giá trị khác nhau, sẽ khám phá ra nhiều hơn bất kỳ một trí thông minh đơn lẻ nào, dù rộng lớn đến đâu. Open-weight mở rộng cùng một logic: chúng cho phép trí thông minh được thích nghi ở mọi nơi, thay vì được tối ưu hóa một lần rồi phân phối hạn chế từ trung tâm. Sự chiếm đoạt quy định có thể làm chậm sự lan tỏa của chúng. Nó có thể làm yếu độ dốc. Nhưng không thể đảo ngược nó.
