Cuộc đua vũ trang về cơ sở hạ tầng AI: Điện toán, Mô hình mở và Sức mạnh tác nhân

Tóm tắt

Cuộc thảo luận công khai về cạnh tranh AI vẫn tập trung vào chất lượng mô hình: phòng thí nghiệm nào đã tung ra hệ thống thông minh nhất trong quý này. Cách đặt vấn đề đó đã bỏ lỡ nơi mà cuộc đua thực sự đang diễn ra. Các ràng buộc quyết định những gì các nhà phát triển có thể thực sự triển khai vào năm 2026 mang tính cấu trúc - nguồn cung điện, phân bổ chip, xây dựng trung tâm dữ liệu, hiệu quả đào tạo và suy luận, các điều khoản lưu hành trọng số mô hình, các giao diện báo cáo hiệu suất và mức độ sử dụng mô hình, cùng các giao thức cho phép mô hình gọi công cụ thay vì chỉ trả lời câu hỏi. Bài viết này coi cuộc chạy đua vũ trang cơ sở hạ tầng AI là một ngăn xếp bảy lớp: tính toán và năng lượng, chi phí vốn, kỹ thuật hiệu quả, phân phối trọng số mở, siêu dữ liệu và bảng xếp hạng mô hình, giao thức tác nhân, và vòng lặp định tuyến/đánh giá mà các nhóm sản xuất vận hành hàng ngày. Chúng tôi chỉ sử dụng các tuyên bố có thể truy xuất nguồn gốc từ một nguồn có tên và ngày tháng cụ thể, đồng thời gắn cờ những nơi mà một câu chuyện phổ biến vượt quá bằng chứng thực tế.

Các phát hiện chính

• IEA dự báo mức tiêu thụ điện của trung tâm dữ liệu toàn cầu sẽ tăng gần gấp đôi từ 485 TWh vào năm 2025 lên 950 TWh vào năm 2030, với các trung tâm dữ liệu tối ưu hóa cho AI tăng trưởng nhanh hơn phân khúc trung tâm dữ liệu nói chung - biến năng lượng, chứ không chỉ là số lượng chip, thành ràng buộc ràng buộc đối với công suất mới.
• Doanh thu trung tâm dữ liệu năm tài chính 2026 của NVIDIA đã tăng 68% so với cùng kỳ năm trước lên 193,7 tỷ USD (doanh thu cả năm là 215,938 tỷ USD), trong khi triển vọng quý 1 năm tài chính 2027 của chính công ty không giả định bất kỳ doanh thu tính toán trung tâm dữ liệu nào từ Trung Quốc, cho thấy cường độ vốn và rủi ro địa chính trị hiện không thể tách rời trong quy hoạch cơ sở hạ tầng.
• Báo cáo kỹ thuật lịch sử của DeepSeek-V3 nêu rõ một đợt đào tạo chính thức tốn 2,788 triệu giờ GPU H800 với chi phí khoảng 5,576 triệu USD, loại trừ rõ ràng các nghiên cứu trước đó, thí nghiệm cắt bỏ, khám phá kiến trúc, phát triển thuật toán và chi phí dữ liệu - một con số thường bị trích dẫn sai là "chi phí của mô hình" thay vì chỉ là một dòng kế toán bên trong đó.
• Chỉ số AI 2026 của Stanford báo cáo rằng khoảng cách hiệu suất hàng đầu giữa các mô hình của Hoa Kỳ và Trung Quốc đã thực sự được thu hẹp, trong khi Hoa Kỳ vẫn sản xuất nhiều mô hình hàng đầu hơn và Trung Quốc dẫn đầu về khối lượng xuất bản, trích dẫn, sản lượng bằng sáng chế và lắp đặt robot công nghiệp - một bức tranh phân mảnh hơn là chỉ đơn thuần là "Hoa Kỳ đang dẫn trước" hay "Trung Quốc đã bắt kịp".
• Model Context Protocol của Anthropic, được giới thiệu như một tiêu chuẩn mở cho các kết nối hai chiều an toàn giữa hệ thống AI và nguồn dữ liệu, đã phát triển lên hơn 10.000 máy chủ công cộng đang hoạt động và được áp dụng trên ChatGPT, Cursor, Gemini, Microsoft Copilot và VS Code trước khi được trao tặng cho Agentic AI Foundation mới của Linux Foundation - công cụ tác nhân hiện đang được tiêu chuẩn hóa nhanh hơn hầu hết các cuộc cạnh tranh ở lớp mô hình.

Ảnh chụp nhanh nguồn

Nguồn	Nội dung xác lập	Ngày quan sát
IEA - Các câu hỏi chính về năng lượng và AI	Quỹ đạo nhu cầu điện của trung tâm dữ liệu, xu hướng mật độ năng lượng máy chủ AI	2026-07-09
Kết quả tài chính năm 2026 của NVIDIA	Tăng trưởng doanh thu trung tâm dữ liệu, hướng dẫn về rủi ro tại Trung Quốc	2026-07-09
OpenAI - Thông báo dự án Stargate	Cấu trúc cam kết vốn và các nhà đầu tư cổ phần ban đầu	2026-07-09
Báo cáo kỹ thuật lịch sử DeepSeek-V3	Số giờ tính toán đào tạo và phạm vi kế toán chi phí chính thức	2026-07-09
Ra mắt Qwen3	Cấu trúc phát hành trọng số mở và công cụ triển khai	2026-07-09
Chỉ số AI Stanford 2026	Khoảng cách hiệu suất mô hình, sản lượng nghiên cứu quốc gia, số lượng trung tâm dữ liệu, sự tập trung của các nhà máy sản xuất	2026-07-09
Anthropic - Ra mắt MCP	Mục đích thiết kế giao thức tác nhân-đến-công cụ	2026-07-09
Anthropic - Trao tặng MCP / AAIF	Dấu ấn áp dụng hiện tại và chuyển giao quản trị	2026-07-09
Bảng xếp hạng OpenRouter	Tín hiệu nhu cầu mô hình dựa trên mức độ sử dụng	2026-07-09
Tài liệu API mô hình OpenRouter	Lược đồ siêu dữ liệu mô hình như một cơ sở hạ tầng	2026-07-09
Phương pháp luận của Artificial Analysis	Sự khác biệt giữa mô hình/điểm cuối/nhà cung cấp trong việc đánh giá	2026-07-09
Phương pháp luận Intelligence của Artificial Analysis	Xây dựng chỉ số tổng hợp và các hạn chế đã nêu	2026-07-09
Bài báo vLLM / PagedAttention	Tăng thông lượng phục vụ suy luận	2026-07-09
Pentos - AI 军备竞赛	Khung tường thuật gốc, được làm lại ở đây xung quanh cơ sở hạ tầng	2026-07-09

Phương pháp luận và các yếu tố kích hoạt làm mới

Các tuyên bố trong bài viết này chỉ được giữ lại khi có thể truy xuất nguồn gốc từ một nguồn có tên và ngày tháng cụ thể: dự báo năng lượng của chính phủ hoặc IEA, báo cáo tài chính của nhà cung cấp, báo cáo kỹ thuật do các phòng thí nghiệm mô hình công bố, hoặc các đơn vị tổng hợp điểm chuẩn của bên thứ ba như Artificial Analysis và OpenRouter. Các nguồn dữ liệu trải dài từ cuối năm 2025 đến đầu năm 2026, và mỗi phần đều ghi chú giai đoạn báo cáo nơi dữ liệu cơ bản bị giới hạn thời gian (ví dụ: thu nhập hàng quý, các ấn bản chỉ số).

Báo cáo gốc của Pentos đã định hình cuộc cạnh tranh cơ sở hạ tầng theo các thuật ngữ quân sự và địa chính trị, đồng thời bao gồm một số tuyên bố - dự báo sự thống trị về thị phần tính toán quốc gia, các khung giá trị chiến lược và các mốc thời gian năng lực trong tương lai - không thể xác minh dựa trên các công bố kỹ thuật hoặc tài chính công khai. Những tuyên bố này đã bị loại bỏ thay vì được định hình lại, vì việc trình bày lại các tuyên bố không thể xác minh bằng ngôn ngữ cơ sở hạ tầng sẽ không giải quyết được khoảng trống bằng chứng cơ bản. Khi một tuyên bố của Pentos trùng lặp với một số liệu có thể xác minh (ví dụ: nhu cầu năng lượng của trung tâm dữ liệu, các điểm chuẩn mô hình đã công bố), tuyên bố đó đã được xây dựng lại từ nguồn chính thay vì được chuyển từ báo cáo.

Bài viết này nên được làm mới khi xảy ra bất kỳ trường hợp nào sau đây: một báo cáo thu nhập hàng quý mới của NVIDIA làm thay đổi đáng kể doanh thu trung tâm dữ liệu hoặc số liệu vận chuyển; một ấn bản Chỉ số AI Stanford mới được công bố; bảng xếp hạng của OpenRouter hoặc Artificial Analysis thay đổi đủ để làm thay đổi vị thế tương đối của các mô hình mở so với mô hình đóng được trích dẫn ở đây; một bản phát hành mô hình trọng số mở lớn (ví dụ: DeepSeek, Qwen mới hoặc dòng mô hình tương đương) làm thay đổi câu chuyện về khả năng cạnh tranh của mô hình mở; IEA công bố dự báo nhu cầu điện trung tâm dữ liệu cập nhật; hoặc một phòng thí nghiệm được trích dẫn đưa ra thông báo khác biệt đáng kể về giao thức tác nhân hoặc đầu tư cơ sở hạ tầng. Nếu không có một trong những yếu tố kích hoạt này, các tuyên bố và so sánh ở đây nên được coi là một ảnh chụp nhanh thay vì trạng thái trực tiếp.

---

Tại sao "Cuộc chạy đua vũ trang cơ sở hạ tầng AI" là khung nhìn tốt hơn

Câu chuyện chủ đạo trên báo chí về cạnh tranh AI là câu chuyện về bảng xếp hạng: một phòng thí nghiệm phát hành mô hình, đối thủ phản hồi trong vòng vài tuần, các nhà bình luận chấm điểm vòng đấu. Cách định hình đó không hẳn là sai mà là chưa đầy đủ. Nó coi chất lượng mô hình là nguồn lực khan hiếm, trong khi đối với hầu hết các nhà phát triển, nguồn lực khan hiếm là điện, phân bổ chip, công suất phục vụ và các công cụ biến đầu ra của mô hình thành thứ mà hệ thống có thể thực hiện.

Hãy xem xét những gì thực sự ngăn cản việc triển khai mô hình mới vào năm 2026. Hiếm khi là "chúng ta có thể có một điểm kiểm tra thông minh hơn không". Đó là: chúng ta có thể có công suất GPU tại một trung tâm dữ liệu với mật độ năng lượng đủ lớn không, với mức giá phù hợp với kinh tế đơn vị của sản phẩm, được phục vụ thông qua cơ sở hạ tầng giữ cho độ trễ có thể dự đoán được, được gói gọn trong một giao thức cho phép mô hình gọi các công cụ mà quy trình công việc cần, với khả năng quan sát cho phép nhóm kỹ thuật phát hiện lỗi trước khi khách hàng làm. Mỗi yếu tố đó là một lớp cạnh tranh riêng biệt với các nhà lãnh đạo riêng, các nút thắt cổ chai riêng và tốc độ thay đổi riêng.

Đây là lý do tại sao chúng tôi sử dụng "cuộc chạy đua vũ trang cơ sở hạ tầng" thay vì "cuộc đua mô hình". Đơn vị cạnh tranh là toàn bộ ngăn xếp - chip, năng lượng, trung tâm dữ liệu, phần mềm phục vụ, mô hình, giao diện API và giao thức tác nhân - không phải là một con số bảng xếp hạng duy nhất.

Cách định hình này cũng giải thích rõ hơn về lịch sử gần đây. Bản phát hành DeepSeek-V3 được sử dụng ở đây như một mốc lịch sử, không phải là một khuyến nghị mô hình hiện tại. Nó quan trọng vì nó buộc phải đánh giá lại công khai về mức sàn chi phí giả định cho suy luận chất lượng cạnh tranh, vào thời điểm mà việc mở rộng quy mô nặng về tính toán được coi rộng rãi là chiến lược đáng tin cậy duy nhất. Thông báo về Stargate không quan trọng vì bất kỳ tuyên bố kỹ thuật đơn lẻ nào - nó quan trọng như một tín hiệu phân bổ vốn về quy mô đặt cược mà các bên lớn sẵn sàng đặt vào công suất trung tâm dữ liệu nhiều năm trước khi nhu cầu được chứng minh. Cả hai sự kiện đều là các sự kiện cơ sở hạ tầng mang tiêu đề cuộc đua mô hình.

Đối với các nhóm nền tảng, ý nghĩa thực tế là thông tin tình báo cạnh tranh cần theo dõi các công bố chi phí vốn (capex), dự báo năng lượng và việc áp dụng giao thức cùng với điểm số điểm chuẩn. Một nhóm chỉ theo dõi bảng xếp hạng sẽ bỏ lỡ những bước đi thực sự định hình lại những gì có thể xây dựng được.

Tính toán hiện là Năng lượng, Đất đai, Chip và Lập lịch

Ràng buộc ràng buộc nhất đối với sự phát triển cơ sở hạ tầng AI không phải là nguồn cung chip đơn thuần - mà là điện. Phân tích của IEA dự báo rằng mức tiêu thụ điện của trung tâm dữ liệu toàn cầu sẽ tăng gần gấp đôi, từ 485 TWh vào năm 2025 lên 950 TWh vào năm 2030, với các trung tâm dữ liệu tối ưu hóa cho AI tăng trưởng nhanh hơn phân khúc trung tâm dữ liệu nói chung. Đó không phải là một dự báo điều chỉnh hiệu quả khiêm tốn; đó là sự tăng gấp đôi của một danh mục vốn đã cạnh tranh với lưới điện quốc gia về công suất ở một số khu vực.

Vấn đề mật độ làm trầm trọng thêm vấn đề khối lượng. IEA báo cáo rằng mật độ năng lượng máy chủ AI đã tăng khoảng 11 lần từ năm 2020 đến năm 2025, và có thể tăng thêm 4 lần nữa vào năm 2027. Quỹ đạo đó có nghĩa là dấu chân vật lý của "một giá đỡ tính toán AI" đang thay đổi nhanh hơn hầu hết các quy trình kết nối tiện ích, thiết kế làm mát hoặc mốc thời gian cấp phép có thể hấp thụ. Một trung tâm dữ liệu được thiết kế cho mật độ giá đỡ thời kỳ 2023 không chỉ đơn giản là "kém hiệu quả hơn" đối với phần cứng thời kỳ 2027 - nó có thể không có khả năng cấu trúc để lưu trữ nó mà không cần trang bị thêm.

Thị trường vốn đang định giá trực tiếp ràng buộc này. Kết quả năm tài chính 2026 của NVIDIA cho thấy doanh thu trung tâm dữ liệu cả năm tăng 68% so với cùng kỳ năm trước lên 193,7 tỷ USD, trong tổng doanh thu 215,938 tỷ USD. Đó không chỉ đơn giản là nhu cầu chip; nó phản ánh sự kết hợp của nhu cầu chip, cam kết xây dựng trung tâm dữ liệu và các hợp đồng năng lượng giúp công suất mới có thể triển khai được. Đồng thời, hướng dẫn chuyển tiếp của chính NVIDIA cho quý 1 năm tài chính 2027 không giả định bất kỳ doanh thu tính toán trung tâm dữ liệu nào từ Trung Quốc - một lời nhắc nhở rằng ngay cả nhà lãnh đạo cung cấp tính toán rõ ràng nhất cũng đang lập kế hoạch xung quanh việc loại trừ địa chính trị thay vì giả định nhu cầu toàn cầu không ma sát.

Stargate là ví dụ rõ ràng nhất gần đây về cam kết vốn ở quy mô này bên ngoài chính các nhà cung cấp chip. Thông báo của OpenAI mô tả ý định đầu tư 500 tỷ USD trong bốn năm, với 100 tỷ USD được triển khai ngay lập tức, và nêu tên SoftBank, OpenAI, Oracle và MGX là các nhà đầu tư cổ phần ban đầu. Chúng tôi coi đây hoàn toàn là một tín hiệu cam kết vốn: nó chứng minh quy mô mà các bên tham gia cơ sở hạ tầng sẵn sàng cam kết trước vốn cho công suất tính toán trong tương lai. Bản thân nó không chứng minh tốc độ thực thi, số lượng cơ sở hoặc cấp độ nhân sự, và chúng tôi không chuyển tiếp các tuyên bố chưa được xác minh về cách thức xây dựng đã tiến hành kể từ khi thông báo.

Chuỗi cung ứng bên dưới tất cả những điều này vẫn còn hẹp. Chỉ số AI 2026 của Stanford báo cáo rằng việc chế tạo chip AI tiên tiến tập trung tại TSMC, và Hoa Kỳ sở hữu 5.427 trung tâm dữ liệu - một con số minh họa sự tập trung địa lý của cả năng lực chế tạo và lưu trữ ngay cả khi nhu cầu toàn cầu hóa. Một nút nhà máy duy nhất và một số lượng nhỏ các khu vực mật độ siêu lớn nằm dưới một thị trường ngày càng coi "tính toán" là một hàng hóa có thể thay thế. Nó không thể thay thế; nó tập trung về mặt địa lý và chính trị theo những cách định hình mọi thứ ở hạ nguồn, từ thời gian dẫn đầu cho công suất mới đến sự ổn định giá cả mà các doanh nghiệp phục vụ mô hình phụ thuộc vào.

Đối với một nhóm cơ sở hạ tầng hoặc nền tảng, cách đọc thực tế là: lập kế hoạch công suất phải tính đến mốc thời gian kết nối năng lượng và rủi ro tập trung nhà máy, không chỉ lộ trình của nhà cung cấp chip. Một kiến trúc định tuyến hoặc phục vụ được xây dựng dựa trên giả định giá GPU đa khu vực ổn định đang đặt cược ngầm vào công suất lưới điện và sự ổn định địa chính trị nằm ngoài tầm kiểm soát của bất kỳ công ty AI đơn lẻ nào.

Lộ trình Hiệu quả là một Chiến lược Cơ sở hạ tầng

Nếu tính toán và năng lượng bị hạn chế, phản ứng tự nhiên là hiệu quả - trích xuất nhiều trí thông minh có thể sử dụng hơn trên mỗi giờ GPU và mỗi watt thay vì chỉ mua thêm phần cứng. Đây không phải là một sự thay thế triết học cho cuộc đua tính toán; bản thân nó là một chiến lược cơ sở hạ tầng, và là một chiến lược có ví dụ được ghi lại.

Báo cáo kỹ thuật lịch sử của DeepSeek-V3 nêu rõ một đợt đào tạo chính thức tốn 2,788 triệu giờ GPU H800, với chi phí khoảng 5,576 triệu USD. Con số đó chính xác, có nguồn gốc và đáng đọc chính xác như phạm vi đã nêu: nó loại trừ rõ ràng các nghiên cứu trước đó, thí nghiệm cắt bỏ, khám phá kiến trúc, phát triển thuật toán và chi phí thu thập dữ liệu. Đó là chi phí của một đợt đào tạo, không phải chi phí xây dựng một phòng thí nghiệm có khả năng tạo ra đợt đào tạo đó. Coi đó là "tổng chi phí của một mô hình biên" - một cách đọc sai phổ biến trong bình luận công khai - đã phóng đại những gì con số hỗ trợ và hạ thấp khoản đầu tư R&D đã làm cho đợt đào tạo đó trở nên khả thi ngay từ đầu.

Những gì con số này hỗ trợ là một tín hiệu thực sự về kỹ thuật hiệu quả như một đòn bẩy cạnh tranh. Một đợt đào tạo đạt được chất lượng cạnh tranh với chi phí giờ GPU được ghi lại, tương đối thấp chứng minh rằng các lựa chọn kiến trúc và đường ống đào tạo có thể thay đổi đáng kể tỷ lệ tính toán trên mỗi đơn vị năng lực. Đó chính xác là loại đòn bẩy cơ sở hạ tầng quan trọng hơn khi nguồn cung năng lượng và chip thắt chặt: nếu bạn không thể dễ dàng mua thêm công suất, bạn hãy trích xuất nhiều hơn từ công suất bạn có.

Cuộc đua hiệu quả không chỉ giới hạn ở đào tạo. Việc phục vụ suy luận có lớp hiệu quả riêng, và nó đã được cải thiện độc lập với bất kỳ bản phát hành mô hình đơn lẻ nào. Bài báo PagedAttention của dự án vLLM báo cáo mức tăng thông lượng 2-4 lần ở độ trễ tương tự so với các hệ thống phục vụ trước đó, bằng cách coi quản lý bộ nhớ KV-cache là một vấn đề lập lịch hạng nhất thay vì là một suy nghĩ sau. Đó là một lợi ích cơ sở hạ tầng phục vụ, không phải là lợi ích chất lượng mô hình - và nó kết hợp với mọi mô hình chạy trên nó. Một nhóm nâng cấp ngăn xếp phục vụ của họ có thể nhận ra mức tăng thông lượng mà không cần chạm vào mô hình, đây là một trục cạnh tranh riêng biệt và bị đánh giá thấp: các cải tiến hiệu quả ở lớp cơ sở hạ tầng có thể di chuyển qua lớp mô hình theo những cách mà các cải tiến hiệu quả ở lớp đào tạo không thể.

Việc phát hành Qwen3 minh họa một chiều hiệu quả thứ ba: sự đa dạng của mục tiêu triển khai. Lần ra mắt Qwen3 mở trọng số hai mô hình hỗn hợp chuyên gia (MoE) và sáu mô hình dày đặc theo giấy phép Apache 2.0, với các đường dẫn triển khai được khuyến nghị chính thức trên SGLang, vLLM, Ollama, LMStudio, MLX, llama.cpp và KTransformers. Cung cấp cả biến thể MoE và dày đặc ở nhiều quy mô tham số tự nó là một chiến lược hiệu quả ở lớp phân phối: nó cho phép nhà phát triển chọn cấu hình tính toán phù hợp với ràng buộc phần cứng của họ - từ triển khai MoE quy mô đám mây xuống mô hình dày đặc cục bộ trên phần cứng tiêu dùng - thay vì buộc mọi triển khai phải đi qua cùng một đường dẫn nặng về tính toán.

Đối với các nhóm nền tảng, bài học vận hành là hiệu quả và quy mô không phải là các phe đối lập cạnh tranh cho cùng một ngân sách; chúng là hai đòn bẩy cho cùng một vấn đề, và các nhóm có vị thế tốt nhất trong hai năm tới là những nhóm đang đo lường cả hai. Phân tích định tuyến và chi phí trên mỗi tác vụ của riêng chúng tôi coi đây là một câu hỏi vận hành thay vì một câu hỏi ý thức hệ: với một phân phối tác vụ cố định, sự kết hợp nào giữa lựa chọn mô hình và cấu hình phục vụ giúp giảm thiểu chi phí ở mức sàn chất lượng chấp nhận được.

Trọng số mở thay đổi phân phối, không tự động thay đổi quản trị

Việc phát hành Qwen3 theo giấy phép Apache 2.0 là một quyết định phân phối, và cần phải chính xác về những gì quyết định đó thay đổi và không thay đổi. Trọng số mở có nghĩa là các tham số của mô hình có thể được tải xuống, chạy trên cơ sở hạ tầng mà nhà điều hành kiểm soát, tinh chỉnh và phân phối lại theo các điều khoản giấy phép đã nêu. Đó là một sự sắp xếp khác biệt đáng kể so với mô hình chỉ có API, nơi các trọng số không bao giờ rời khỏi cơ sở hạ tầng của nhà cung cấp và mọi lệnh gọi suy luận đều được trung gian bởi ngăn xếp phục vụ, giới hạn tốc độ và điều khoản dịch vụ của nhà cung cấp đó.

Chúng tôi cố tình sử dụng "trọng số mở" thay vì "mã nguồn mở" trong suốt bài viết này. Liệu một bản phát hành nhất định có đáp ứng tiêu chuẩn mã nguồn mở kiểu OSI hay không phụ thuộc vào việc tiết lộ dữ liệu đào tạo, khả năng tái tạo của đường ống đào tạo và các điều khoản giấy phép ngoài việc phân phối lại trọng số - các tiêu chí mà hầu hết các bản phát hành mô hình "mở" hiện nay, bao gồm nhiều mô hình được đưa tin rộng rãi là "mã nguồn mở" trên báo chí, không đáp ứng đầy đủ. Giấy phép Apache 2.0 của Qwen3 đối với các trọng số là một cam kết phân phối thực sự và có thể xác minh; bản thân nó không phải là bằng chứng về sự minh bạch hoàn toàn của đường ống đào tạo.

Những gì trọng số mở thay đổi một cách đáng tin cậy là bề mặt kiểm soát. Một nhà phát triển chạy mô hình trọng số mở trên cơ sở hạ tầng tự lưu trữ sẽ kiểm soát thời gian hoạt động, kiểm soát nơi lưu trữ dữ liệu, kiểm soát việc tinh chỉnh và không bị ảnh hưởng bởi các thay đổi về giá hoặc lịch trình ngừng hỗ trợ của nhà cung cấp. Những gì trọng số mở không tự động mang lại là quản trị theo nghĩa đánh giá an toàn được ghi lại, tiết lộ về kiểm thử đỏ (red-teaming) hoặc trách nhiệm giải trình đối với việc lạm dụng ở hạ nguồn - đó vẫn là các cam kết riêng biệt mà một tổ chức phát hành có thể hoặc không thực hiện cùng với chính việc phát hành trọng số.

Đây là nơi Chỉ số AI 2026 của Stanford bổ sung sắc thái hữu ích chống lại câu chuyện đơn giản "ai đang thắng". Chỉ số báo cáo rằng khoảng cách hiệu suất hàng đầu giữa các mô hình của Hoa Kỳ và Trung Quốc đã thực sự được thu hẹp, trong khi Hoa Kỳ vẫn sản xuất nhiều mô hình hàng đầu hơn nói chung, và Trung Quốc dẫn đầu về khối lượng xuất bản, trích dẫn, sản lượng bằng sáng chế và lắp đặt robot công nghiệp. Không có biện pháp nào trong số đó - sự tương đương mô hình, số lượng mô hình, khối lượng xuất bản, sản lượng bằng sáng chế, triển khai robot - giảm xuống một cách gọn gàng cho các biện pháp khác. Một bảng xếp hạng chất lượng mô hình không cho bạn biết gì về sản lượng bằng sáng chế; một số lượng bằng sáng chế không cho bạn biết mô hình nào mà một nhóm sản xuất nên định tuyến một tác vụ lập trình trong tuần này. Các nhà phát triển đọc tin tức về AI địa chính trị nên coi mỗi điều này là một tuyên bố riêng biệt, được tìm nguồn riêng thay vì là đầu vào cho một bảng điểm "ai đang dẫn trước" duy nhất.

Quyết định thực tế cho một nhóm nền tảng hiếm khi là "trọng số mở so với API đóng" một cách trừu tượng. Đó là một quyết định theo từng khối lượng công việc: khối lượng công việc này có cần các đảm bảo về nơi lưu trữ dữ liệu mà chỉ tự lưu trữ mới cung cấp được không, hay các đảm bảo về thông lượng mà công suất chuyên dụng của nhà cung cấp cung cấp, hay nó chấp nhận các đánh đổi cơ sở hạ tầng chia sẻ của một bộ định tuyến có thể di chuyển lưu lượng truy cập giữa các nhà cung cấp khi giá cả và tính khả dụng thay đổi. Công cụ so sánh mô hình của chúng tôi coi đây là một bề mặt đánh đổi rõ ràng thay vì một quan điểm triết học - trọng số mở là một cơ chế phân phối và kiểm soát, được đánh giá theo cách bạn sẽ đánh giá bất kỳ sự phụ thuộc cơ sở hạ tầng nào khác.

Xếp hạng và Dữ liệu mô hình trở thành Cơ sở hạ tầng vận hành

Một lớp của ngăn xếp nhận được ít sự chú ý hơn nhiều so với chip hoặc các bản phát hành mô hình là lớp siêu dữ liệu mô hình: các API, bảng xếp hạng và phương pháp luận điểm chuẩn cho nhà phát triển biết mô hình nào tồn tại, chi phí bao nhiêu, phản hồi nhanh như thế nào và cách chúng so sánh trên các tác vụ quan trọng đối với một sản phẩm nhất định. Lớp này đã trở thành cơ sở hạ tầng theo đúng nghĩa của nó, vì các quyết định định tuyến sản xuất ngày càng phụ thuộc vào các câu trả lời có thể đọc được bằng máy cho những câu hỏi đó thay vì nghiên cứu thủ công.

Tài liệu API mô hình của OpenRouter mô tả việc tiết lộ siêu dữ liệu mô hình, phương thức, các tham số được hỗ trợ và các chế độ xem có thể sắp xếp theo giá cả, cửa sổ ngữ cảnh và độ trễ/thông lượng. Đó là một loại tài nguyên thực sự khác biệt so với một bài báo điểm chuẩn: nó là một chỉ số trực tiếp, có thể truy vấn mà một hệ thống định tuyến có thể gọi theo chương trình trước khi đưa ra quyết định điều phối. Các bảng xếp hạng công khai của OpenRouter, một cách riêng biệt, trình bày các bảng xếp hạng trực tiếp dựa trên điểm chuẩn và dữ liệu sử dụng thực tế, bao gồm các mô hình hàng đầu theo mức sử dụng hàng tuần và theo tỷ trọng chi tiêu cấp tác vụ. Đó là một tín hiệu nhu cầu, không phải là một tuyên bố sự thật toàn cầu - nó phản ánh lưu lượng truy cập chảy qua thị trường của một nền tảng, tương quan với hành vi thị trường rộng lớn hơn nhưng không giống hệt với nó. Một mô hình là lựa chọn hàng đầu theo mức sử dụng hàng tuần trên một bộ định tuyến có thể bị đánh giá thấp trên lưu lượng truy cập của nền tảng khác vì những lý do không liên quan gì đến chất lượng, bao gồm các lựa chọn cấu hình mặc định, tích hợp đối tác hoặc tính khả dụng theo khu vực.

Artificial Analysis thực hiện một cách tiếp cận khác: đánh giá độc lập trên các khía cạnh trí thông minh, chất lượng, hiệu suất và giá cả, với một phương pháp luận rõ ràng phân biệt mô hình, điểm cuối, nhà cung cấp và triển khai không máy chủ (serverless) thành các khái niệm riêng biệt. Sự khác biệt đó quan trọng hơn vẻ ngoài của nó. Cùng một mô hình cơ bản, được phục vụ bởi hai nhà cung cấp khác nhau, có thể đăng các số liệu độ trễ và thông lượng khác biệt đáng kể vì cơ sở hạ tầng phục vụ - không phải trọng số mô hình - khác nhau. Một điểm chuẩn báo cáo "mô hình X là nhanh nhất" mà không chỉ định điểm cuối và nhà cung cấp là đang báo cáo về hiệu suất cơ sở hạ tầng và quy nó cho mô hình.

Đây là sự khác biệt tương tự mà hình ảnh ngăn xếp trước đó trong bài viết này nhằm minh họa: lớp siêu dữ liệu và xếp hạng nằm giữa lớp mô hình và bề mặt API mà các nhà phát triển thực sự tiêu thụ, và việc đánh đồng một con số lớp phục vụ với một tuyên bố lớp mô hình là một lỗi danh mục mà sự hiểu biết về xếp hạng nhằm mục đích bắt kịp.

Phương pháp luận Chỉ số Trí thông minh của Artificial Analysis bổ sung thêm một cảnh báo trực tiếp trong tài liệu của chính nó: chỉ số v4.1 cân nhắc các tác nhân, lập trình, suy luận khoa học và năng lực chung thành một điểm số tổng hợp, và phương pháp luận nêu rõ rằng các số liệu như vậy có những hạn chế và có thể không áp dụng cho mọi trường hợp sử dụng. Đó là một sự thừa nhận trực tiếp bất thường từ một nhà cung cấp điểm chuẩn, và nó nên được đọc như một hướng dẫn thường trực cho các nhà phát triển: một điểm số trí thông minh tổng hợp là một công cụ sàng lọc để thu hẹp danh sách rút gọn, không phải là sự thay thế cho việc đánh giá một mô hình ứng viên dựa trên phân phối tác vụ của riêng bạn.

Đây là lập luận đằng sau việc coi sự hiểu biết về bảng xếp hạng là một năng lực cơ sở hạ tầng của riêng nó. Một nhóm nền tảng có thể truy vấn dữ liệu mô hình và giá cả trực tiếp, đối chiếu nó với các tín hiệu bảng xếp hạng độc lập và vẫn chạy đánh giá cụ thể cho tác vụ của riêng mình trước khi cam kết lưu lượng truy cập đang hoạt động ở một mức độ nghiêm ngặt khác với một nhóm chọn một mô hình từ một trang xếp hạng duy nhất và giả định rằng xếp hạng đó chuyển sang khối lượng công việc của họ. Lớp siêu dữ liệu là cơ sở hạ tầng chính xác vì nó hiện nằm trong đường dẫn quyết định tự động của các hệ thống định tuyến sản xuất - không chỉ trong một bảng tính mua sắm được xem xét mỗi quý một lần.

Tác nhân biến đầu ra mô hình thành Hành động hệ thống

Lớp có động lực tiêu chuẩn hóa chuyển động nhanh nhất hiện nay không phải là lớp mô hình - đó là lớp giao thức tác nhân, phần mềm cho phép đầu ra của mô hình kích hoạt một hành động thực tế trong một hệ thống bên ngoài thay vì kết thúc trong một cửa sổ trò chuyện.

Anthropic đã giới thiệu Model Context Protocol như một tiêu chuẩn mở cho các kết nối hai chiều an toàn giữa các hệ thống AI và các nguồn dữ liệu bên ngoài. Mục tiêu thiết kế được nêu khi ra mắt rất đơn giản: cung cấp cho các mô hình một cách tiêu chuẩn để tiếp cận các công cụ và dữ liệu thay vì yêu cầu mọi tích hợp phải được xây dựng như một trình kết nối tùy chỉnh, một lần. Đó là một vấn đề cơ sở hạ tầng trong cùng danh mục với tiêu chuẩn trình điều khiển cơ sở dữ liệu hoặc đặc tả API - nó tồn tại để giảm chi phí tổ hợp của việc kết nối N mô hình với M công cụ.

Quỹ đạo áp dụng kể từ khi ra mắt là tín hiệu cơ sở hạ tầng quan trọng hơn. Thông báo của Anthropic về việc trao tặng MCP cho Agentic AI Foundation mới được thành lập của Linux Foundation báo cáo hơn 10.000 máy chủ MCP công cộng đang hoạt động và được áp dụng trên ChatGPT, Cursor, Gemini, Microsoft Copilot và VS Code. Đó là sự áp dụng chéo nhà cung cấp của một giao thức duy nhất giữa các đối thủ cạnh tranh trực tiếp - một mô hình hiếm thấy trong cơ sở hạ tầng AI và đáng chú ý cụ thể vì nó không yêu cầu các nhà cung cấp đó đồng ý về chất lượng mô hình, giá cả hoặc triết lý quản trị. Họ hội tụ vào một lớp hệ thống ống nước chia sẻ vì các tiêu chuẩn gọi công cụ không tương thích, khác biệt sẽ áp đặt chi phí tích hợp lên từng người trong số họ.

Trao MCP cho một nền tảng độc lập thay vì giữ nó dưới sự kiểm soát của một nhà cung cấp duy nhất tự nó là một quyết định quản trị đáng đọc kỹ. Một giao thức trung gian những gì một mô hình được phép chạm vào - tệp nào, API nào, hệ thống nào - mang trọng lượng bảo mật thực sự. Việc đặt sự quản lý của giao thức đó bên ngoài các khuyến khích thương mại của bất kỳ phòng thí nghiệm đơn lẻ nào là một tư thế khác biệt so với việc giữ nó như một yếu tố khác biệt độc quyền, và nó nhất quán với việc coi lớp công cụ tác nhân là cơ sở hạ tầng chia sẻ thay vì IP cạnh tranh.

Lý do ranh giới này quan trọng về mặt vận hành là một tác nhân không phải là một chatbot thông minh hơn; nó là một hệ thống chuyển đổi đầu ra mô hình thành hành động có hậu quả - nộp một vé, thực hiện một giao dịch, sửa đổi bản ghi cơ sở dữ liệu, gửi email. Mỗi hành động đó cần một mô hình quyền hạn tồn tại độc lập với sự phán đoán của chính mô hình, vì sự phán đoán của mô hình chính xác là thứ có thể thất bại một cách khó lường. Một kiến trúc tác nhân được thiết kế tốt coi "mô hình nói hãy làm điều này" là một đề xuất, không phải là một sự ủy quyền: đề xuất đi qua một giao diện gọi công cụ rõ ràng, một kiểm tra quyền hạn được xác định phạm vi cho những gì mà phiên bản tác nhân cụ thể đó được phép chạm vào và một nhật ký kiểm toán ghi lại những gì đã được yêu cầu, những gì đã được cho phép và những gì thực sự đã thực thi.

Đây là khung nhìn nên thay thế ngôn ngữ "an toàn AI" mơ hồ trong các cuộc thảo luận sản xuất. Câu hỏi không phải là liệu một mô hình nhất định có được căn chỉnh một cách trừu tượng hay không; đó là liệu cơ sở hạ tầng tác nhân xung quanh có thực thi quyền truy cập đặc quyền tối thiểu, tạo ra một dấu vết kiểm toán đủ để tái tạo những gì đã xảy ra sau một sự cố và thất bại một cách an toàn khi một lệnh gọi công cụ không rõ ràng hoặc nằm ngoài phạm vi. Hướng dẫn định tuyến và dự phòng tác nhân của chúng tôi coi đây là một vấn đề thiết kế vận hành: điều gì xảy ra khi mô hình chính trong một chuỗi tác nhân trả về một lệnh gọi công cụ bị định dạng sai, hết thời gian chờ hoặc bị giới hạn tốc độ giữa chừng, và cách đường dẫn dự phòng bảo toàn các ranh giới quyền hạn tương tự thay vì lặng lẽ nới lỏng chúng dưới áp lực để giữ cho quy trình công việc tiếp tục.

Cách đọc chiến lược cho các nhóm cơ sở hạ tầng là năng lực tác nhân hiện nay bị hạn chế ít hơn bởi chất lượng suy luận của mô hình và nhiều hơn bởi mức độ nghiêm ngặt của lớp quyền hạn và kiểm toán xung quanh được xây dựng. Một mô hình chất lượng biên được nối vào một hệ thống quyền hạn không có xác định phạm vi và không có dấu vết kiểm toán là một rủi ro vận hành lớn hơn một mô hình cấp trung được nối vào một hệ thống được đo lường tốt.

Điều này có ý nghĩa gì đối với các nền tảng mô hình và nhà phát triển

Tập hợp các lớp lại thành một danh sách kiểm tra thực tế, một nhóm xây dựng trên ngăn xếp này vào năm 2026 nên theo dõi các tín hiệu riêng biệt ở mỗi lớp thay vì thu gọn mọi thứ thành một câu hỏi "mô hình nào tốt nhất" duy nhất:

• Tính toán và năng lượng: Theo dõi tính khả dụng của năng lượng trung tâm dữ liệu và mốc thời gian kết nối ở các khu vực mà nhà cung cấp của bạn thực sự phục vụ, không chỉ các thông báo chip tiêu đề. Sự ổn định giá cả của nhà cung cấp phụ thuộc vào các hợp đồng năng lượng mà bạn sẽ không bao giờ thấy trực tiếp.

• Tín hiệu Capex: Đọc các thông báo cam kết vốn - quy mô Stargate hoặc cách khác - như các tín hiệu phía cầu về nơi công suất đang được mua trước, không phải là sự đảm bảo về tính khả dụng trong ngắn hạn. Vốn cam kết hôm nay không chuyển thành giờ GPU khả dụng vào quý tới.

• Hiệu quả, không chỉ quy mô: Đánh giá cả các tuyên bố hiệu quả phía đào tạo (với phạm vi kế toán chi phí đã nêu, như báo cáo lịch sử DeepSeek-V3 làm rõ) và các lợi ích hiệu quả phía phục vụ (như cải tiến thông lượng lớp PagedAttention) như các đòn bẩy riêng biệt, kết hợp. Một bản nâng cấp ngăn xếp phục vụ có thể mang lại lợi ích thông lượng độc lập với bất kỳ thay đổi mô hình nào.

• Trọng số mở như một quyết định kiểm soát: Chọn tự lưu trữ trọng số mở khi nơi lưu trữ dữ liệu, kiểm soát tinh chỉnh hoặc sự độc lập với nhà cung cấp vượt trội hơn gánh nặng vận hành của việc chạy cơ sở hạ tầng suy luận của riêng bạn. Chọn API hoặc truy cập bộ định tuyến khi các đảm bảo thông lượng và chi phí vận hành thấp hơn vượt trội hơn sự mất mát kiểm soát cơ sở hạ tầng. Đừng coi "mở" là từ đồng nghĩa với "an toàn hơn" hoặc "rẻ hơn" mà không kiểm tra giấy phép cụ thể và chi phí triển khai cho khối lượng công việc của bạn.

• Sự hiểu biết về siêu dữ liệu và xếp hạng: Sử dụng siêu dữ liệu mô hình có thể đọc được bằng máy và phương pháp luận điểm chuẩn độc lập để thu hẹp danh sách rút gọn, sau đó chạy đánh giá cụ thể cho tác vụ của riêng bạn trước khi cam kết lưu lượng truy cập sản xuất. Một điểm số bảng xếp hạng tổng hợp là một tín hiệu sàng lọc, được xác định phạm vi rõ ràng bởi tài liệu phương pháp luận của chính nó, không phải là một quyết định triển khai.

• Thiết kế quyền hạn tác nhân: Xây dựng lớp gọi công cụ, kiểm tra quyền hạn và nhật ký kiểm toán trước khi mở rộng năng lực tác nhân, không phải sau một sự cố. Coi mọi đầu ra mô hình có thể kích hoạt một hành động hệ thống là một đề xuất yêu cầu sự ủy quyền rõ ràng, bất kể mô hình cơ bản có năng lực đến đâu.

• Kỷ luật chi phí trên mỗi tác vụ: Định tuyến theo kinh tế khối lượng công việc, không phải uy tín mô hình. Một mô hình rẻ hơn vượt qua thanh chất lượng của bạn cho một danh mục tác vụ khối lượng lớn, độ phức tạp thấp là lựa chọn đúng đắn cho danh mục đó, ngay cả khi một mô hình biên thắng mọi bảng xếp hạng trừu tượng. Nghiên cứu định tuyến chi phí trên mỗi tác vụ và thư mục mô hình chi phí thấp của chúng tôi nhằm mục đích làm cho sự đánh đổi đó trở nên rõ ràng thay vì ngầm định.

Không có điều nào trong số này là các quyết định một lần. Mỗi lớp di chuyển theo lịch trình riêng - xây dựng năng lượng trên mốc thời gian nhiều năm, các bản phát hành mô hình theo nhịp độ hàng tháng đến hàng quý, việc áp dụng giao thức theo đợt khi một tiêu chuẩn đạt đến khối lượng tới hạn. Khả năng cạnh tranh cơ sở hạ tầng vào năm 2026 trông ít giống việc chọn người chiến thắng và giống hơn với việc duy trì một vòng lặp định tuyến và đánh giá có thể hấp thụ các thay đổi ở mỗi lớp mà không cần viết lại toàn bộ kiến trúc mỗi khi một mô hình hoặc phiên bản giao thức mới được phát hành.

Ma trận quyết định cho các nhóm API và Nền tảng

Các tín hiệu cơ sở hạ tầng được khảo sát ở trên có ý nghĩa thực tế đối với các nhóm xây dựng trên các API mô hình, độc lập với việc phòng thí nghiệm hoặc nhà cung cấp nào cuối cùng dẫn đầu về năng lực thô. Bảng dưới đây ánh xạ các tín hiệu quan sát được tới các điểm quyết định; nó không khuyến nghị một nhà cung cấp hoặc sản phẩm cụ thể nào.

Tín hiệu cơ sở hạ tầng	Câu hỏi thực tế mà nó đặt ra	Nơi cần xem trước khi quyết định
Các bản phát hành mô hình trọng số mở lịch sử (ví dụ: DeepSeek-V3, Qwen3) thu hẹp khoảng cách năng lực với các mô hình đóng	Tự lưu trữ hoặc tinh chỉnh trọng số mở hiện có khả thi cho khối lượng công việc này không, hay sự tiện lợi của API đóng vẫn vượt trội hơn khoảng cách?	Các đơn vị tổng hợp điểm chuẩn độc lập (Artificial Analysis, bảng xếp hạng OpenRouter) thay vì chỉ các điểm chuẩn do phòng thí nghiệm công bố
Các bảng xếp hạng khác biệt giữa các nhà cung cấp điểm chuẩn	Phương pháp luận điểm chuẩn nào phù hợp với phân phối tác vụ thực tế của khối lượng công việc này?	Các ghi chú phương pháp luận đã công bố trước khi áp dụng một bảng xếp hạng duy nhất làm sự thật hiển nhiên
Các lợi ích hiệu quả lớp phục vụ (ví dụ: kỹ thuật lớp PagedAttention/vLLM)	Suy luận tự lưu trữ hiện có thay đổi sự đánh đổi chi phí/độ trễ so với các lệnh gọi API cho mẫu lưu lượng truy cập này không?	Kiểm tra tải của riêng bạn dưới mức đồng thời đại diện, không phải số liệu thông lượng do nhà cung cấp báo cáo
Các giao thức tác nhân/sử dụng công cụ mới nổi (ví dụ: MCP)	Công việc tích hợp nên nhắm mục tiêu vào một tiêu chuẩn cấp giao thức hay một SDK dành riêng cho nhà cung cấp?	Độ rộng áp dụng giao thức trên nhiều phòng thí nghiệm và công cụ, không phải lộ trình của một nhà cung cấp duy nhất
Các ràng buộc về năng lượng và công suất trung tâm dữ liệu (dự báo IEA, các thông báo capex lớn như Stargate)	Lập kế hoạch công suất nên giả định sự cải thiện liên tục về giá cả và tính khả dụng, hay ngân sách cho nguồn cung thắt chặt hơn trong thời gian cao điểm?	Dữ liệu công suất lưới điện và khu vực cùng với các thông báo công suất của nhà cung cấp
Sự tập trung đầu tư tính toán giữa một số ít các chương trình cơ sở hạ tầng lớn	Điều này có tạo ra rủi ro phụ thuộc vào một nhà cung cấp duy nhất cho các hệ thống nhạy cảm với độ trễ hoặc tính khả dụng không?	Kiểm tra dự phòng đa nhà cung cấp và các điều khoản hợp đồng, không phải các tuyên bố chung về sự dư thừa

Không có tín hiệu nào trong số này tự giải quyết một quyết định; mỗi tín hiệu thay thế một câu hỏi cụ thể, có thể kiểm tra cho một tuyên bố chung về việc bên nào đang 'thắng' cuộc đua cơ sở hạ tầng.

Các kịch bản 2027-2030

Chúng tôi không có cơ sở để dự báo một kết quả duy nhất cho cách ngăn xếp này giải quyết trong vài năm tới. Những gì chúng tôi có thể làm là đưa ra các kịch bản gắn liền với các lớp ở trên, mỗi kịch bản có các chỉ số sẽ xác nhận hoặc bác bỏ nó khi nó phát triển. Đây là các kịch bản, không phải dự đoán.

• Kịch bản A - Hợp nhất bị ràng buộc bởi năng lượng: Nhu cầu điện của trung tâm dữ liệu theo dõi hoặc vượt quá dự báo 950 TWh năm 2030 của IEA, kết nối lưới điện trở thành ràng buộc đối với công suất mới, và quyền truy cập tính toán tập trung giữa các nhà điều hành đã đảm bảo các hợp đồng năng lượng và phân bổ nhà máy sớm nhất. Chỉ số cần theo dõi: mốc thời gian hàng đợi kết nối và các thỏa thuận mua năng lượng được báo cáo từ các nhà điều hành trung tâm dữ liệu lớn, không chỉ các thông báo vận chuyển chip.

• Kịch bản B - Khuếch tán dẫn đầu bởi hiệu quả: Các lợi ích hiệu quả đào tạo và phục vụ, theo mô hình mà mỏ neo lịch sử DeepSeek-V3 và công việc phục vụ lớp PagedAttention đều minh họa, tiếp tục giảm tỷ lệ tính toán trên mỗi đơn vị năng lực nhanh hơn nhu cầu tăng trưởng, và năng lực mô hình cạnh tranh khuếch tán đến một tập hợp các nhà điều hành rộng hơn thay vì tập trung với những người nắm giữ tính toán lớn nhất. Chỉ số cần theo dõi: liệu các mô hình trọng số mở mới được phát hành có tiếp tục thu hẹp khoảng cách năng lực hàng đầu mà Chỉ số 2026 của Stanford mô tả hay không, sử dụng ngân sách tính toán tương đương hoặc thấp hơn so với các mô hình thế hệ trước yêu cầu.

• Kịch bản C - Lớp tác nhân được tiêu chuẩn hóa giao thức: Việc gọi công cụ tác nhân tiêu chuẩn hóa xung quanh một số lượng nhỏ các giao thức mở, được quản trị bởi nền tảng (việc trao tặng MCP cho Agentic AI Foundation là ví dụ rõ ràng nhất hiện nay), và sự khác biệt cạnh tranh chuyển dịch gần như hoàn toàn sang lớp quyền hạn, kiểm toán và điều phối được xây dựng trên một giao thức chia sẻ, thay vì giao thức đó. Chỉ số cần theo dõi: liệu các nhà cung cấp mô hình và nền tảng công cụ lớn bổ sung có áp dụng cùng một giao thức thay vì duy trì các tiêu chuẩn cạnh tranh hay không, và liệu phạm vi của nền tảng có mở rộng ngoài nhiệm vụ ban đầu của nó hay không.

Các kịch bản này không loại trừ lẫn nhau. Con đường khả thi nhất, dựa trên bằng chứng được tập hợp ở đây, là một sự kết hợp: các ràng buộc về năng lượng định hình ai có thể vận hành ở quy mô lớn nhất, công việc hiệu quả xác định năng lực mà quy mô đó thực sự mua được và tiêu chuẩn hóa giao thức xác định liệu năng lực thu được có thể di chuyển giữa các nhà cung cấp hay bị khóa vào một hệ sinh thái tác nhân duy nhất. Các nhà phát triển nên theo dõi cả ba tập hợp chỉ số thay vì đặt cược các quyết định cơ sở hạ tầng vào một kịch bản duy nhất.

Điều này không chứng minh điều gì

Bài viết này cố tình loại trừ một tập hợp các tuyên bố lưu hành trong các bài đưa tin liền kề về câu chuyện "cuộc chạy đua vũ trang AI" vì chúng thiếu một nguồn mà chúng tôi có thể xác minh độc lập ở mức độ tin cậy mà bài viết này yêu cầu. Đặt tên chúng một cách rõ ràng hữu ích hơn là lặng lẽ bỏ qua chúng:

• Chúng tôi không có nguồn xác minh cho các tuyên bố về lệnh cấm liên bang đối với bất kỳ nhà cung cấp AI cụ thể nào gắn liền với sự từ chối đối với các thay đổi an toàn liên quan đến quân sự. Tuyên bố này xuất hiện trong một số bài đưa tin nhưng không được xác nhận độc lập ở đây và đã bị loại trừ.
• Chúng tôi không có nguồn xác minh, có ngày tháng xác nhận số lượng trung tâm dữ liệu hoặc cấp độ nhân sự thực tế của Stargate tại bất kỳ thời điểm cụ thể nào sau thông báo ban đầu. Thông báo xác lập ý định và cấu trúc vốn ban đầu; nó không xác lập tốc độ thực thi, và chúng tôi không chuyển tiếp các tuyên bố thực thi chưa được xác minh theo bất kỳ hướng nào.
• Chúng tôi không có nguồn chính cho các tuyên bố về quy mô đội tàu GPU cụ thể được quy cho cụm trung tâm dữ liệu của bất kỳ công ty đơn lẻ nào. Các số liệu như thế này lưu hành rộng rãi trong các bài đưa tin thứ cấp mà không có nguồn chính có thể truy xuất và đã bị loại trừ khỏi bài viết này.
• Chúng tôi không sử dụng các tuyên bố về hiệu suất ứng dụng quân sự (tỷ lệ nhắm mục tiêu bằng máy bay không người lái hoặc tương tự) vì chúng nằm ngoài tài liệu nguồn chính, có ngày tháng, có thể xác minh dành cho chúng tôi và nằm ngoài phạm vi cơ sở hạ tầng và nhà phát triển của bài viết này.
• Chúng tôi không sử dụng các số liệu mục ngân sách quốc phòng cụ thể cho chi tiêu AI, hoặc số liệu đô la vụ việc thực thi pháp luật liên quan đến thực thi xuất khẩu chip, vì chúng không phải là trung tâm của lập luận cơ sở hạ tầng ở đây và không được xác minh độc lập cho bài viết này.
• Chúng tôi không sử dụng các ước tính về quy mô thị trường hoặc tốc độ tăng trưởng của tác nhân AI. Các số liệu quy mô thị trường cho một danh mục mới này thay đổi rộng rãi theo phương pháp luận và không mang tính chất tải trọng cho lập luận cơ sở hạ tầng mà bài viết này đưa ra.
• Dữ liệu điểm chuẩn và xếp hạng được trích dẫn ở đây (xếp hạng sử dụng OpenRouter, điểm số Artificial Analysis) phản ánh phương pháp luận và lưu lượng truy cập của các nền tảng cụ thể, được quan sát vào ngày đã nêu. Chúng không xác lập một bảng xếp hạng chất lượng mô hình toàn cầu duy nhất, và không nên được đọc như vậy.
• Số liệu chi phí đào tạo DeepSeek-V3 lịch sử được xác định phạm vi rõ ràng cho giờ GPU của một đợt đào tạo, theo chính báo cáo kỹ thuật. Nó không xác lập tổng chi tiêu R&D của công ty, và không nên được sử dụng làm điểm chuẩn cho "chi phí xây dựng một phòng thí nghiệm biên".

Câu hỏi thường gặp

Cuộc chạy đua vũ trang cơ sở hạ tầng AI chủ yếu là về việc ai có mô hình tốt nhất?

Không. Chất lượng mô hình là một lớp có thể nhìn thấy của một cuộc cạnh tranh rộng lớn hơn bao gồm cung cấp điện, tập trung chế tạo chip, chi phí vốn trung tâm dữ liệu, hiệu quả đào tạo và phục vụ, các điều khoản phân phối trọng số mở và các giao thức gọi công cụ tác nhân. Một mô hình đứng đầu bảng xếp hạng quý này vẫn có thể được triển khai trên cơ sở hạ tầng không thể mở rộng, được phục vụ thông qua một giao thức thiếu sự áp dụng gọi công cụ hoặc được định giá theo cách làm cho nó không kinh tế đối với một khối lượng công việc nhất định.

"Trọng số mở" thực sự đảm bảo điều gì, và nó không đảm bảo điều gì?

Trọng số mở, như với bản phát hành Apache 2.0 của Qwen3, đảm bảo rằng các tham số của mô hình có thể được tải xuống, tự lưu trữ, tinh chỉnh và phân phối lại theo các điều khoản giấy phép đã nêu. Chúng không tự động đảm bảo tính minh bạch của dữ liệu đào tạo, các đường ống đào tạo có thể tái tạo hoặc đánh giá an toàn được ghi lại - đó là các cam kết riêng biệt mà một tổ chức phát hành có thể hoặc không thực hiện cùng với chính việc phát hành trọng số. Sử dụng "trọng số mở" thay vì "mã nguồn mở" trừ khi một bản phát hành đáp ứng cụ thể các tiêu chí mã nguồn mở ngoài việc phân phối lại trọng số.

Số liệu chi phí đào tạo DeepSeek-V3 lịch sử nên được sử dụng chính xác như thế nào?

Báo cáo kỹ thuật nêu rõ một đợt đào tạo chính thức tốn 2,788 triệu giờ GPU H800 với chi phí khoảng 5,576 triệu USD, và loại trừ rõ ràng các nghiên cứu trước đó, thí nghiệm cắt bỏ, khám phá kiến trúc, phát triển thuật toán và chi phí dữ liệu. Sử dụng nó như bằng chứng cho thấy một đợt đào tạo được ghi lại đã đạt được kết quả cạnh tranh với chi phí giờ GPU tương đối thấp. Đừng sử dụng nó như một con số chi phí tổng thể để xây dựng một phòng thí nghiệm biên, và đừng so sánh nó trực tiếp với tổng chi tiêu R&D của đối thủ cạnh tranh mà không khớp phạm vi kế toán.

Bảng xếp hạng OpenRouter và điểm số Artificial Analysis có phải là cùng một loại bằng chứng không?

Không. Bảng xếp hạng của OpenRouter phản ánh mức sử dụng trực tiếp và tỷ trọng chi tiêu trên lưu lượng truy cập thị trường của chính nó - một tín hiệu nhu cầu thực tế, nhưng cụ thể cho nền tảng đó. Artificial Analysis chạy điểm chuẩn độc lập trên các khía cạnh trí thông minh, chất lượng, hiệu suất và giá cả, và phương pháp luận của chính nó phân biệt rõ ràng mô hình, điểm cuối, nhà cung cấp và triển khai không máy chủ thành các biến riêng biệt, đồng thời cảnh báo rằng Chỉ số Trí thông minh tổng hợp của nó có những hạn chế đã nêu và có thể không áp dụng cho mọi trường hợp sử dụng. Cả hai đều hữu ích để thu hẹp danh sách rút gọn; không cái nào thay thế cho việc đánh giá cụ thể tác vụ trên khối lượng công việc của riêng bạn.

Sự khác biệt thực tế giữa MCP và hệ thống gọi công cụ tác nhân độc quyền là gì?

MCP, được Anthropic giới thiệu như một tiêu chuẩn mở cho các kết nối hai chiều an toàn giữa các hệ thống AI và các nguồn dữ liệu, kể từ đó đã được áp dụng trên các nền tảng cạnh tranh (ChatGPT, Cursor, Gemini, Microsoft Copilot, VS Code, theo báo cáo áp dụng của chính Anthropic) và sau đó được trao tặng cho Agentic AI Foundation của Linux Foundation. Một hệ thống gọi công cụ độc quyền gắn các tích hợp của bạn với lộ trình và quyết định quản trị của một nhà cung cấp duy nhất. Một giao thức mở, được quản trị bởi nền tảng làm giảm sự khóa chặt đó, mặc dù nó vẫn yêu cầu bạn xây dựng lớp quyền hạn và kiểm toán của riêng mình ở trên - giao thức tiêu chuẩn hóa kết nối, không phải chính sách ủy quyền.