Hạ tầng AI sau thời kỳ mở rộng: Cơ hội mới đang chờ đón!

Lê Lân

02/07/2025

Hạ Tầng AI Sau Giai Đoạn Tăng Trưởng Quy Mô: Những Thay Đổi và Cơ Hội Mới

Mở Đầu

Trong những năm gần đây, ngành trí tuệ nhân tạo (AI) đã chứng kiến sự bùng nổ chưa từng có về đầu tư và phát triển hạ tầng. Tuy nhiên, sự tăng trưởng này dường như đang tập trung mạnh vào một vài “ông lớn” như Nvidia và OpenAI, những người không chỉ tạo ra giá trị lớn mà còn dẫn đầu trong việc áp dụng những quy luật tăng trưởng (scaling laws) của AI. Bài viết này sẽ phân tích sâu sắc về xu hướng hiện tại, những giới hạn của việc phát triển quy mô mô hình AI, cũng như dự đoán về sự chuyển mình của hạ tầng AI trong tương lai, đồng thời khám phá các cơ hội mới mở ra khi ngành công nghiệp này bước vào giai đoạn tối ưu hóa thay vì tăng trưởng thuần túy.

Hãy cùng khám phá lý do tại sao Nvidia và OpenAI thống trị thị trường, các giới hạn của quy luật tăng trưởng AI và điều gì sẽ xảy ra tiếp theo với hạ tầng AI.

Nvidia và OpenAI – Kẻ Đầu Cơ Quyền Lực Trong Kỷ Nguyên Scaling AI

Tăng Trưởng Bật Mí Của Nvidia

Nvidia đã ghi nhận mức doanh thu trung tâm dữ liệu tăng tới 427% so với cùng kỳ năm trước, với biên lợi nhuận EBITDA trên 60%. Động lực này chủ yếu đến từ nhu cầu mạnh mẽ về GPU – thành phần cốt lõi trong huấn luyện các mô hình AI. Để so sánh mức tăng trưởng này, Zoom chỉ đạt 355% một năm sau cú sốc dịch bệnh dù quy mô doanh thu còn rất nhỏ so với Nvidia.

OpenAI: Kỳ Lân AI Tiếp Theo

OpenAI đang có bước phát triển đáng kinh ngạc với doanh thu dự kiến đạt 3,4 tỷ USD – tăng hơn gấp đôi so với cuối năm ngoái. Công ty tiếp tục đầu tư vào việc phát triển các mô hình AI tiên tiến và duy trì vị thế dẫn đầu thị trường.

Sự thành công vượt trội của Nvidia và OpenAI được thúc đẩy bởi quy luật tăng trưởng AI (AI scaling laws), vốn là kim chỉ nam quan trọng cho việc cải thiện hiệu suất mô hình bằng cách tăng kích thước mô hình, dữ liệu và sức mạnh tính toán.

Quy Luật Tăng Trưởng AI Và Tác Động Đến Hạ Tầng

Ba Yếu Tố Quyết Định Hiệu Suất Mô Hình

Theo nghiên cứu "Scaling Laws of Neural Language Models" (2020), hiệu suất mô hình ngôn ngữ cải thiện một cách liên tục và dự đoán được khi tăng:

Kích thước mô hình (số lượng tham số)

Lượng dữ liệu huấn luyện

Sức mạnh tính toán (compute)

Điều này gợi ý rằng các mô hình lớn hơn sẽ không chỉ mạnh mẽ hơn mà còn hiệu quả hơn trong học hỏi từ ít dữ liệu hơn.

Lợi Thế Kinh Doanh Từ Quy Luật Tăng Trưởng

Thị trường hiện chỉ có hai hướng chính để “kiếm tiền” hiệu quả:

Cung cấp một trong ba yếu tố đầu vào chính (điển hình như Nvidia với GPU)

Tự xây dựng và kết hợp cả ba yếu tố để tạo ra mô hình tối ưu (như OpenAI)

Nhưng Tại Sao Các Startup Hạ Tầng AI Khác Phải Chờ?

Vì các mô hình AI liên tục thay đổi và ngày càng lớn, các công nghệ hạ tầng xung quanh chưa kịp ổn định. Do đó, các startup tập trung cải tiến giới hạn của mô hình thường có tốc độ trưởng thành chậm hơn trong giai đoạn hiện tại, khi “quy luật tăng trưởng” vẫn chi phối mạnh.

Tại Sao Quy Luật Tăng Trưởng Có Thể Bị Phá Vỡ?

Giới Hạn Về Hiệu Quả Cải Thiện

Quy luật tăng trưởng hiện đo lường hiệu quả dựa trên việc giảm độ perplexity — khả năng dự đoán ký tự hoặc từ tiếp theo trong chuỗi văn bản. Tuy nhiên, yếu tố quan trọng hơn là "khả năng xuất hiện các năng lực mới" (emergent abilities) của mô hình – khả năng phát triển những kỹ năng chưa được lập trình từ trước.

Quy luật tăng trưởng không dự đoán được khi nào hoặc liệu các năng lực mới có xuất hiện hay không – điều này khiến sự phát triển công nghệ AI trở nên khó lường và đặc biệt.

Giới Hạn Về Nguồn Nguyên Liệu Huấn Luyện

Một trong những nút thắt lớn nhất chính là thiếu hụt dữ liệu huấn luyện chất lượng. Epoch ước tính chỉ còn khoảng 300 nghìn tỷ từ (tokens) dữ liệu công khai có chất lượng cao.

Thời điểm	Quy mô dữ liệu huấn luyện (tỷ tokens)	Tăng trưởng hàng năm
Llama-3 (hiện tại)	15 nghìn tỷ	-
Dự báo trong 5 năm	>100 lần hiện tại	2.8x/năm

Dù có các kỹ thuật tổng hợp dữ liệu mới, việc cạn kiệt dữ liệu vẫn là điều khó tránh khỏi trong thập kỷ tới.

Giới Hạn Phần Cứng

Bộ nhớ và băng thông GPU: Khó đáp ứng nhu cầu của các mô hình cỡ lớn ngày càng tăng.

Chi phí xây dựng data center: Vấn đề năng lượng, chuỗi cung ứng, và tính bền vững khiến nhiều công ty phải cân nhắc kỹ càng khi mở rộng quy mô.

Hạ Tầng AI Trong Kỷ Nguyên Hậu Tăng Trưởng Quy Mô

Khi các giới hạn trên được chạm tới, thị trường hạ tầng AI sẽ chuyển đổi mạnh mẽ theo hướng:

Tối ưu hóa tài nguyên sẵn có thay vì chỉ tập trung vào mở rộng quy mô

Chuyển từ giai đoạn thử nghiệm sang khai thác hiệu quả các ứng dụng AI

1. Mô Hình Nhỏ (Small Models)

“Tại sao bạn phải duy trì chi phí phục vụ một mô hình cỡ lớn cho mỗi tác vụ cụ thể?” – Naveen Rao, CEO MosaicML

Các mô hình nhỏ với độ tùy biến cao sẽ phổ biến hơn, đặc biệt cho các môi trường hạn chế tài nguyên (như thiết bị IoT, di động). Chúng rẻ hơn và tốc độ phản hồi nhanh hơn so với mô hình lớn.

Nhiều nghiên cứu và công ty như Edge Impulse tập trung vào lĩnh vực này, giúp triển khai AI trên các thiết bị có giới hạn năng lượng và dung lượng.

2. Tinh Chỉnh Mô Hình (Fine-Tuning)

Tinh chỉnh (fine-tuning) đang dần được chú trọng trở lại sau thời gian bị lấn át bởi prompt engineering và Retrieval-Augmented Generation (RAG).

Các kỹ thuật như LoRA hay prefix tuning giúp giảm bớt chi phí và độ phức tạp, trong khi các startup như Predibase và Smol hỗ trợ doanh nghiệp triển khai mô hình thích ứng với nhiệm vụ và lĩnh vực cụ thể.

3. Hệ Thống Đa Mô Hình (Multi-Model Systems)

Thay vì dùng một mô hình duy nhất đắt đỏ, nhiều doanh nghiệp xây dựng hệ thống đa mô hình, phân chia tác vụ phức tạp thành các phần nhỏ sử dụng mô hình tối ưu theo nhiệm vụ.

Các công ty như Martian, NotDiamond tập trung vào việc điều phối các mô hình hiệu quả, trong khi Fireworks cung cấp giải pháp “compound AI” cho nhà phát triển cuối.

Ngoài ra, giải pháp gộp mô hình (model merging) đang được phát triển bởi Arcee và Sakana nhằm tạo ra những mô hình mới kết hợp sức mạnh của nhiều mô hình nhỏ hơn.

4. Tinh Lọc Dữ Liệu (Data Curation)

Trong bối cảnh cạn kiệt dữ liệu, chất lượng dữ liệu trở nên quý hơn bao giờ hết. Các công ty như Scale AI chuyên về nhãn và chú thích dữ liệu đang được ưa chuộng.

Sự phát triển của dữ liệu tổng hợp (synthetic data) và các giải pháp chuyên biệt theo ngành (như y tế, tài chính) sẽ là xu hướng tất yếu.

Kết Luận

Việc áp dụng quy luật tăng trưởng AI đã giúp Nvidia và OpenAI độc quyền giá trị lớn trên thị trường hạ tầng AI trong vài năm qua. Tuy nhiên, sự bão hòa về quy mô, dữ liệu và phần cứng sẽ tạo ra giai đoạn chuyển đổi quan trọng – từ tăng trưởng thuần túy sang tối ưu hóa và đổi mới.

Đây chính là cơ hội vàng cho các startup hạ tầng AI, với trọng tâm vào mô hình nhỏ, tinh chỉnh chuyên sâu, hệ thống đa mô hình và quản lý dữ liệu thông minh.

Nếu bạn đang xây dựng hoặc quan tâm đến hạ tầng AI giai đoạn hậu tăng trưởng quy mô, đây là thời điểm thích hợp để chuẩn bị và đầu tư chiến lược.

Tham Khảo

Kaplan, J. et al. (2020). Scaling Laws for Neural Language Models. arXiv

Epoch Research. (2023). Data Token Estimates in AI Training. Epoch AI Blog

OpenAI. (2023). Company Growth Update. OpenAI Blog

Nvidia Quarterly Reports. (2023). Nvidia Investor Relations

AI Snake Oil. Analysis on AI Capabilities and Scaling. Medium Article

June 1, 2024