Hạ Tầng AI Sẽ 'Biến Đổi' Thế Nào Sau Kỷ Nguyên 'Mở Rộng Vô Hạn'?

Lê Lân

17/07/2025

Tương Lai Cơ Sở Hạ Tầng AI Sau Giai Đoạn Tăng Trưởng Nhanh

Mở Đầu

Cơn sốt về trí tuệ nhân tạo (AI) đang thúc đẩy sự bùng nổ trong lĩnh vực cơ sở hạ tầng hỗ trợ AI, với những gã khổng lồ như Nvidia và OpenAI chiếm ưu thế tuyệt đối trên thị trường.

Trong bối cảnh hàng loạt startup mới xuất hiện trong lĩnh vực hạ tầng AI, Nvidia và OpenAI đã chớp lấy phần lớn giá trị ở mọi tầng lớp của hệ sinh thái này. Nvidia ghi nhận mức tăng trưởng doanh thu trung tâm dữ liệu lên đến 427% theo năm với lợi nhuận EBITDA trên 60%, trong khi OpenAI đã vươn lên doanh thu 3,4 tỷ USD và tiếp tục đầu tư mạnh mẽ để duy trì vị thế dẫn đầu.

Bài viết này sẽ phân tích sâu sắc về quy luật tăng trưởng AI (AI scaling laws), nguyên nhân dẫn đến sự thành công vượt trội của Nvidia và OpenAI, những giới hạn đang dần làm chậm lại quá trình này, và triển vọng cơ sở hạ tầng AI trong một thế giới sau giai đoạn tăng trưởng nhanh.

Nvidia và OpenAI: Đại Gia Đình Của Quy Luật Tăng Trưởng AI

Quy Luật Tăng Trưởng AI Là Gì?

Theo nghiên cứu “Scaling Laws of Neural Language Models” xuất bản tháng 1 năm 2020:

"Hiệu suất mô hình ngôn ngữ tăng lên một cách mượt mà và có thể dự đoán khi ta tăng đúng cách kích thước mô hình, dữ liệu và năng lực tính toán."

Điều này có nghĩa là mô hình lớn hơn, với nhiều dữ liệu hơn và sử dụng sức mạnh tính toán mạnh mẽ, sẽ hoạt động hiệu quả và học hỏi nhanh hơn.

Nvidia và OpenAI Nắm Giữ Các Yếu Tố Cốt Lõi

Nvidia – nhà cung cấp GPU hàng đầu thế giới – chính là nhà cung cấp thiết bị đầu vào quan trọng nhất cho quá trình huấn luyện mô hình AI. Việc sở hữu dòng GPU dẫn đầu thị trường giúp công ty này có doanh thu và lợi nhuận tăng vọt, phá vỡ mọi kỷ lục tăng trưởng trong ngành công nghệ.

OpenAI là ví dụ điển hình cho doanh nghiệp kết hợp cả ba đầu vào — kích thước mô hình, dữ liệu và năng lực tính toán — để xây dựng các foundation models (mô hình nền tảng) hàng đầu, như GPT-4. Điều này giúp họ giữ chân khách hàng bằng chính hiệu suất sản phẩm và khả năng sáng tạo liên tục.

Đây là lý do Nvidia và OpenAI thắng lớn: họ tập trung vào những yếu tố trọng yếu của quy luật tăng trưởng AI.

Tại Sao Quy Luật Tăng Trưởng AI Có Thể Chững Lại?

1. Giới Hạn Về Hiệu Quả Cải Tiến Mô Hình

Quy luật này đo lường sự cải tiến dựa trên việc giảm độ khó dự đoán từ dữ liệu (perplexity) nhưng không dự báo được thời điểm các kỹ năng mới (emergent abilities) xuất hiện. Những kỹ năng này bao gồm khả năng làm những việc chưa từng dự kiến, như sáng tạo độc lập hoặc học hỏi nhanh hơn.

Trên thực tế, chúng ta không thể cứ tăng kích thước mô hình mãi mà mong nó đột nhiên biết “bay” – tức là phát triển năng lực mới ngoài dự đoán.

2. Giới Hạn Về Dữ Liệu

Hiện tại, các mô hình nền tảng như Llama-3 đang sử dụng bộ dữ liệu khoảng 15 nghìn tỷ token, trong khi tổng dữ liệu văn bản chất lượng công khai chỉ khoảng 300 nghìn tỷ token. Dữ liệu này đang được tiêu thụ với tốc độ tăng gấp gần 3 lần mỗi năm và có nguy cơ cạn kiệt trong vòng một thập kỷ tới.

Yếu Tố	Giá Trị Ước Tính
Tổng dữ liệu	~300 nghìn tỷ token
Dữ liệu Llama-3	15 nghìn tỷ token
Tốc độ tăng dữ liệu	2.8 lần/năm
Dự báo cạn kiệt	Khoảng cuối thập kỷ này

3. Giới Hạn Về Phần Cứng

Sự tiến bộ trong GPU và phần cứng trung tâm dữ liệu có thể chậm lại do:

Giới hạn bộ nhớ và băng thông GPU không đủ đáp ứng cho mô hình ngày càng lớn.

Vấn đề chuỗi cung ứng, năng lượng, và hạ tầng mạng cho các trung tâm dữ liệu quy mô lớn.

Thực tế Meta đã hủy bỏ kế hoạch xây dựng trung tâm dữ liệu mới vì lo ngại sẽ bị lỗi thời trước khi hoàn thành.

Giới hạn phần cứng và dữ liệu là hai rào cản lớn nhất đang đặt dấu chấm hỏi cho quá trình tăng trưởng AI hiện tại.

Cơ Sở Hạ Tầng AI Trong Thời Kỳ Hậu Tăng Trưởng

Khi quy luật tăng trưởng không còn cho phép đầu tư “tăng quy mô” mãi, tương lai cơ sở hạ tầng AI sẽ chuyển hướng:

1. Mô Hình Nhỏ và Tối Ưu Hóa

“Tại sao phải dùng mô hình khổng lồ với chi phí phục vụ tới 32 GPU cho một tác vụ cụ thể?” — Naveen Rao, CEO MosaicML

Mô hình nhỏ phù hợp với các thiết bị tài nguyên hạn chế như IoT, wearables

Giảm chi phí inference và tăng tốc độ xử lý

Công nghệ nén mô hình như quantization và distillation sẽ được ứng dụng rộng rãi

2. Tinh Chỉnh Mô Hình (Fine-tuning)

Dù hiện tại fine-tuning ít được dùng do tốn kém, các phương pháp mới như LoRA hay prefix tuning đang giảm bớt thách thức. Công ty như Predibase hỗ trợ giảm rào cản kỹ thuật cho các doanh nghiệp xây dựng mô hình đúng theo nhu cầu riêng.

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

Thay vì dùng một mô hình lớn cho mọi tác vụ, hệ thống đa mô hình phân chia nhiệm vụ cho các mô hình nhỏ chuyên biệt:

Martian, NotDiamond chuyên về định tuyến mô hình (model routing)

Fireworks tạo hệ thống “compound AI” cho inference đa tác vụ

Arcee và Sakana tập trung hợp nhất các mô hình nhỏ thành mô hình mạnh hơn và chuyên sâu hơn

4. Quản Lý và Chọn Lọc Dữ Liệu (Data Curation)

Khi dữ liệu nguồn trở nên khan hiếm, chất lượng và sự tinh chỉnh dữ liệu sẽ là yếu tố cạnh tranh trong AI:

Scale AI cung cấp dịch vụ đánh dấu dữ liệu (labeling) quy mô lớn

Cleanlab, Datology phân tích mối quan hệ dữ liệu và kết quả mô hình

Dữ liệu tổng hợp (synthetic data) được hướng tới mục tiêu riêng biệt trong từng ngành như y tế, tài chính

Kết Luận

Giai đoạn bùng nổ nguồn lực và quy mô AI không thể kéo dài mãi mãi. Nvidia và OpenAI đã hưởng lợi tối đa từ quy luật tăng trưởng, nhưng ngày nay, những giới hạn về dữ liệu và phần cứng đang thúc đẩy một cuộc chuyển đổi quan trọng.

Chúng ta đang bước vào kỷ nguyên mới của AI — nơi tối ưu hóa và đổi mới nâng cao hiệu suất trong giới hạn là chìa khóa chính.

Các startup và nhà phát triển hạ tầng AI được xây dựng trong giai đoạn này sẽ là người tiên phong cho bước chuyển mình quan trọng của cả ngành trong những năm tới.

Nếu bạn quan tâm đến phát triển cơ sở hạ tầng AI cho thế giới hậu tăng trưởng, cơ hội là rất lớn và tôi rất mong được trao đổi thêm.

Tham Khảo

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

OpenAI Financial Reports, 2023-2024.

Epoch Data Analysis – Public Dataset Estimates.

MosaicML – Company Blog and Interviews.

Meta Data Center Strategy Reports, 2023.

Scale AI, Cleanlab, Datology – Company Website & Resources.

Nandu (2024). Infrastructure After AI Scaling