1. Vấn đề của transformer - vì sao "ông lớn" đang chậm lại
Transformer ra đời năm 2017. Chín năm sau, nó vẫn là động cơ của mọi mô hình ngôn ngữ lớn (LLM) trên thị trường: GPT, Claude, Gemini, Llama, Qwen - tất cả đều dựa trên cùng một kiến trúc. Justin Dangel - đồng sáng lập Subquadratic - nói thẳng: "Toàn bộ ngành AI được xây trên transformer. Đó là một trong những đổi mới quan trọng nhất trong lịch sử khoa học máy tính."
Nhưng transformer đang già đi theo nghĩa đen.
Cốt lõi của nó là cơ chế "dense attention": để hiểu một đoạn văn bản, hệ thống phải so sánh từng từ với tất cả các từ còn lại. Văn bản 10.000 từ có thể cần tới 50 triệu phép nhân. Đó là lý do chi phí điện toán tăng theo cấp số nhân khi mô hình lớn lên. Cơ quan Năng lượng Quốc tế (IEA) dự báo tổng điện năng tiêu thụ của các trung tâm dữ liệu sẽ tăng gấp đôi vào năm 2030.
Thêm một giới hạn nữa: transformer xử lý văn bản theo từng từ một, nên nó không giỏi "giữ trong đầu" một lượng lớn thông tin cùng lúc. Các mô hình lý luận (reasoning models) mới ra đời cũng chỉ là cách vá lỗ hổng này - viết note cho chính mình rồi đọc lại, tốn thêm tài nguyên hơn nữa.
Tóm lại: thế mạnh của transformer bây giờ trở thành giới hạn của nó. Đó là cánh cửa mà những "đứa trẻ mới" đang cố đẩy ra.
2. Bốn cái tên đáng chú ý
MIT Technology Review điểm mặt bốn hướng tiếp cận mới:
Subquadratic (Miami): thay thế "dense attention" bằng "sparse attention" - chỉ so sánh những cặp từ thực sự liên quan thay vì tất cả. Họ tuyên bố mô hình SubQ của mình đạt hiệu năng tương đương các LLM hàng đầu trên một số tác vụ tìm kiếm và lập trình, với hàng nghìn người đang trong danh sách chờ.
Liquid AI (Cambridge, Massachusetts - spinout từ MIT): không bỏ transformer mà trộn nó với "mạng neuron lỏng" (liquid neural networks). CEO Ramin Hasani ví nó như bộ não con giun - tiêu thụ rất ít năng lượng, có thể chạy trên Raspberry Pi giá 50 USD. Mô hình mới nhất của họ đạt hiệu năng tương đương các đối thủ lớn gấp 4 lần, đã có gần 34 triệu lượt tải.
Inception (Palo Alto): áp dụng công nghệ diffusion - vốn nổi tiếng nhờ tạo ảnh - vào ngôn ngữ. Mô hình Mercury 2 được cho là đạt hiệu năng ngang GPT-4 nhưng nhanh hơn 10 lần. CEO Stefano Ermon nói thẳng: "Tiền tệ cuối cùng sẽ là trí thông minh trên mỗi đô la."
Pathway (Palo Alto): thay thế cơ chế attention bằng "state space" - một cấu trúc toán học nén thông tin thành dạng trừu tượng thay vì xử lý từng từ. Mô hình Dragon Hatchling của họ giải được hơn 97% trong số 250.000 câu đố sudoku cực khó, trong khi nhiều LLM hàng đầu không giải được câu nào.
Thêm Manifest AI (San Francisco) với "power retention" - một cơ chế cho phép mô hình giữ lại thông tin quan trọng và loại bỏ phần không liên quan khi context mở rộng.
Lưu ý quan trọng: trong số này, mới chỉ có Liquid AI có sản phẩm thương mại ổn định (đã có Mercedes làm khách hàng ô tô). Phần còn lại vẫn đang ở giai đoạn chứng minh. Nhưng chính sự đa dạng của các hướng tiếp cận đã là một tín hiệu: cuộc đua công nghệ nền tảng đã mở ra cho tất cả.
3. Ý nghĩa với cạnh tranh toàn cầu
Đặt trong bối cảnh lịch sử, đây là lần đầu tiên từ 2017, ngành AI có nhiều hơn một "tôn giáo" về kiến trúc. Trước đây, nếu muốn làm LLM, bạn phải dùng transformer. Bây giờ, có ít nhất 5 hướng đi khác nhau - và mỗi hướng giải quyết một bài toán khác nhau (chi phí, tốc độ, lý luận, năng lượng, kích thước).
Hệ quả tất yếu:
- Chi phí suy luận (inference) sẽ giảm mạnh. Nếu Liquid AI đúng về "trí thông minh trên mỗi watt", chúng ta đang nhìn thấy điểm rẽ của đường cong chi phí mà ít người dự báo.
- Rào cản gia nhập ngành giảm. Trước đây, để cạnh tranh với OpenAI phải có hàng chục tỷ USD. Giờ một team nhỏ với một ý tưởng đúng có thể tạo ra sản phẩm ngang hàng.
- "Chiến tranh nền tảng" chuyển từ Mỹ-Trung sang Mỹ-Trung-mọi nơi. Các công ty trong bài của MIT đều là Mỹ, nhưng kiến trúc mới cho phép các quốc gia khác tham gia với vốn đầu tư vừa phải.
4. Việt Nam đang ở đâu trong bức tranh này
Đây là phần mà tôi muốn nói thẳng.
Việt Nam có lợi thế là lực lượng kỹ sư trẻ, chi phí cạnh tranh và một thị trường nội địa 100 triệu dân đang chuyển đổi số nhanh. Chúng ta cũng có những tên tuổi như Zalo AI, FPT.AI, VinAI đang nghiên cứu và phát hành các mô hình tiếng Việt.
Nhưng chúng ta đang bị cản bởi ba thứ:
Một là, không có hạ tầng tính toán cạnh tranh. Để train hoặc thậm chí fine-tune một mô hình nền tảng mới, cần GPU quy mô lớn và điện năng ổn định. Việt Nam vẫn phụ thuộc phần lớn vào các cloud provider nước ngoài.
Hai là, nghiên cứu cơ bản về kiến trúc AI mới còn mỏng. Chúng ta có nhiều kỹ sư ứng dụng, nhưng rất ít nhóm nghiên cứu đủ sâu để đề xuất một kiến trúc thay thế. Các công trình từ VinAI, VietAI Foundation vẫn chủ yếu dựa trên transformer tiêu chuẩn.
Ba là, vốn cho nghiên cứu dài hạn chưa tương xứng. Startup AI ở Thung lũng Silicon có thể gọi vốn vòng seed 10-30 triệu USD. Startup Việt Nam hiếm khi vượt qua 1-2 triệu USD cho giai đoạn đầu.
So với các nước trong khu vực, Indonesia và Singapore đã có chiến lược rõ ràng hơn. Indonesia với Telkomsel và Gojek đang xây dựng ngữ liệu và mô hình tiếng Indonesia/Bahasa đủ lớn. Singapore đã trở thành hub AI của khu vực với hàng chục trung tâm nghiên cứu của Google, Meta, Microsoft. Thái Lan đang đàm phán để trở thành trung tâm data center của Đông Nam Á.
Đây không phải câu hỏi về công nghệ nữa. Đây là câu hỏi về khả năng Việt Nam có đủ quyết tâm xây hạ tầng AI như một quốc gia chiến lược, không phải như một ngành phụ trợ.
5. Số liệu & thống kê
| Chỉ số | Giá trị | Nguồn / Bối cảnh |
|---|---|---|
| Tuổi của transformer (từ paper gốc) | 9 năm (2017) | MIT Technology Review |
| Số phép nhân cho văn bản 10.000 từ | 50 triệu | MIT Technology Review |
| Mức tăng điện năng data center đến 2030 | Gấp đôi | IEA |
| Lượt tải mô hình Liquid AI | ~34 triệu | Theo CEO Ramin Hasani |
| Tỷ lệ sudoku giải được của Dragon Hatchling | >97% trên 250.000 câu đố | MIT Technology Review |
| Mức tăng tốc của Inception Mercury 2 | 10 lần so với GPT-4 | MIT Technology Review |
| Giá máy Raspberry Pi (chạy Liquid AI) | 50 USD | MIT Technology Review |
6. Điều này ảnh hưởng gì đến bạn?
Nếu bạn là người dùng AI thông thường: tin tốt là bạn sắp có nhiều lựa chọn hơn với giá rẻ hơn. Các mô hình mới chạy trên phần cứng yếu hơn nên giá thành sẽ giảm.
Nếu bạn là doanh nghiệp đang triển khai AI: năm 2026-2028 là giai đoạn chuyển tiếp. Đừng khóa mình vào một nhà cung cấp duy nhất. Hãy xây kiến trúc cho phép chuyển đổi giữa các mô hình.
Nếu bạn là nhà đầu tư: cuộc đua không còn ở "ai có mô hình to nhất" mà ở "ai có kiến trúc đúng". Đó là cánh cửa cho vốn vừa và nhỏ.
Nếu bạn là người làm chính sách: Việt Nam không cần phải đuổi kịp Mỹ về mô hình nền tảng. Nhưng cần đầu tư nghiêm túc vào hạ tầng GPU, nghiên cứu cơ bản, và bảo vệ dữ liệu tiếng Việt như một tài sản quốc gia.
Kết
Transformer là một bước nhảy vọt của nhân loại, không phải đích đến. Chu kỳ 9 năm qua đang khép lại, và chu kỳ mới đang bắt đầu - với nhiều người chơi hơn, ít tập trung hơn, và cơ hội cho những nước đi sau nếu biết chọn đúng hướng.
Câu hỏi không còn là "Việt Nam có nên dùng AI không". Câu hỏi là: trong cuộc đua kiến trúc AI tiếp theo, Việt Nam muốn đứng ở đâu?
Sources
| # | Nguồn | Liên kết | Trích trong bài |
|---|---|---|---|
| 1 | MIT Technology Review - "Meet the new kids nipping at the heels of the AI giants" | https://www.technologyreview.com/2026/08/10/1141511/these-startups-are-chasing-the-next-big-thing-in-llms/ | Toàn bộ phần 1, 2 |
| 2 | International Energy Agency (IEA) - Data center electricity forecast | https://www.iea.org/reports/electricity-2024 | "Điện năng data center tăng gấp đôi đến 2030" |
| 3 | Liquid AI - thông tin hãng & thông số | https://www.liquid.ai/ | 34 triệu lượt tải, Raspberry Pi |
| 4 | Inception - diffusion LLM | https://www.inception.ai/ | Mercury 2, tăng tốc 10 lần |
| 5 | MIT Technology Review - Emerging technology news | https://www.technologyreview.com/ | Bối cảnh chuỗi "What's Next" |
