开源模型会杀死「算力需求」？摩根士丹利推演 AI 的三种未来

Báo cáo gốc: Morgan Stanley Research《Weighing In: Open-Weights Models & 3 States of the World》, ngày 3 tháng 8 năm 2026

Biên dịch và tổng hợp: DaiDai, Frank, MSX Mai Thông Viện Nghiên Cứu

Điểm Nhanh Cốt Lõi

• Mô hình trọng số mở giúp giảm chi phí cho mỗi lần gọi và rào cản triển khai, nhưng không nhất thiết giảm tổng nhu cầu sức mạnh tính toán. Khi AI thâm nhập vào nhiều doanh nghiệp, quy trình làm việc và thiết bị hơn, sự tăng trưởng về số lượng gọi có thể vượt qua mức tăng hiệu quả, kích hoạt 'Nghịch lý Jevons' điển hình.
• Doanh nghiệp đã bước vào kỷ nguyên đa mô hình, các mô hình trọng số mở chủ yếu đảm nhận các tác vụ lập trình, xử lý tài liệu, gọi tần suất cao và các nhiệm vụ trong lĩnh vực cụ thể, trong khi các khối lượng công việc suy luận phức tạp và tác nhân (Agent) vẫn phụ thuộc nhiều hơn vào các mô hình nguồn đóng tiên tiến.
• Trọng số mở không có nghĩa là miễn phí. Doanh nghiệp có thể tiết kiệm phí cấp phép mô hình hoặc một phần chi phí API, nhưng vẫn phải chịu chi phí GPU, dịch vụ đám mây, trung tâm dữ liệu nội bộ, tinh chỉnh, nhân tài, bảo mật và vận hành.
• Cho dù mô hình nguồn đóng, mô hình kết hợp hay mô hình trọng số mở cuối cùng chiếm ưu thế, NVIDIA, điện năng tại chỗ và phần mềm bảo mật đều là những hướng hưởng lợi rõ ràng xuyên suốt các kịch bản.
• Mô hình trọng số mở càng phổ biến, chuỗi giá trị AI càng có khả năng chuyển dịch từ tầng mô hình nền tảng sang suy luận, định tuyến, điều phối, quan sát, hạ tầng cục bộ, thiết bị biên và ứng dụng theo chiều dọc.

Cứ sau một khoảng thời gian, thị trường AI dường như lại trải qua một 'cơn hoảng loạn về hiệu quả'.

Khi tham số mô hình nhỏ hơn, chi phí suy luận giảm, hoặc một công ty mô hình đạt được hiệu suất gần với tiên phong bằng ít chip hơn, thị trường nhanh chóng có trực giác rằng: liệu khi hoàn thành cùng một tác vụ cần ít tài nguyên tính toán hơn, nhu cầu GPU, trung tâm dữ liệu và điện năng có đạt đỉnh và suy giảm?

Sự xuất hiện của các mô hình trọng số mở thế hệ mới như Kimi K3, DeepSeek V4 Flash chính thức, một lần nữa đưa vấn đề này ra trước thị trường. Chúng không chỉ cố gắng thu hẹp khoảng cách năng lực với các mô hình nguồn đóng tiên tiến, mà còn cho phép doanh nghiệp tải xuống, sửa đổi và tự triển khai, khuếch tán năng lực vốn tập trung cao độ vào một số ít phòng thí nghiệm mô hình của Mỹ ra các nhà phát triển và ngăn xếp công nghệ doanh nghiệp rộng lớn hơn.

Nhưng câu trả lời mà Morgan Stanley đưa ra trong báo cáo mới nhất lại hoàn toàn ngược lại với trực giác này:

Hiệu quả mô hình tăng lên chưa chắc giết chết nhu cầu sức mạnh tính toán, nó nhiều khả năng khiến AI trở nên đủ rẻ để đi vào các kịch bản trước đây không đáng dùng AI, và cuối cùng đẩy tổng số lượng gọi lên cao.

Trên cơ sở đó, điều thực sự cần thảo luận lại là: sức mạnh tính toán sẽ diễn ra ở đâu, do ai cung cấp, và công ty nào có thể kiếm được doanh thu từ sự khuếch tán này.

Một: Vì Sao Mô Hình Rẻ Hơn Có Thể Tiêu Thụ Nhiều Sức Mạnh Tính Toán Hơn?

Sự hiểu lầm dễ gây ra nhất của mô hình trọng số mở là đồng nhất 'chi phí mô hình giảm' với 'nhu cầu hạ tầng giảm'.

Nhưng đối với hầu hết doanh nghiệp, việc có áp dụng AI hay không không chỉ phụ thuộc vào việc mô hình cần bao nhiêu sức mạnh tính toán để hoàn thành một tác vụ, mà phụ thuộc vào việc lợi ích nó tạo ra có thể bù đắp chi phí mô hình, kỹ thuật và hạ tầng hay không.

Tính toán được Morgan Stanley trích dẫn cho thấy, một tác vụ AI doanh nghiệp trung bình có thể tạo ra khoảng 55 đô la lợi ích, trong khi chi phí trực tiếp chỉ khoảng 2-5 đô la. Ngay cả khi tính đến chi phí dữ liệu, kỹ thuật, bảo mật và quản lý, tỷ lệ lợi ích - chi phí này vẫn cho thấy rằng rất nhiều quy trình làm việc của doanh nghiệp chưa được AI hóa.

Trong trường hợp này, kết quả của việc giảm giá mô hình có thể không phải là doanh nghiệp cắt giảm chi tiêu AI, mà là nhiều tác vụ hơn vượt qua ngưỡng khả thi về kinh tế.

Trước đây, doanh nghiệp có thể chỉ giao những tác vụ quan trọng nhất, giá trị cao nhất cho AI; khi giá suy luận tiếp tục giảm, phân loại hồ sơ dịch vụ khách hàng, rà soát hợp đồng, kiểm thử mã, mô tả sản phẩm, tìm kiếm doanh nghiệp, tài liệu tiếp thị, làm sạch dữ liệu và thậm chí phê duyệt nội bộ đều có thể được đưa vào quy trình làm việc của mô hình.

Tài nguyên tính toán cần cho mỗi tác vụ có thể giảm, nhưng số lượng tác vụ, tần suất chạy và quy mô người dùng sẽ đồng thời mở rộng.

Đây chính là 'Nghịch lý Jevons' mà báo cáo nhắc đi nhắc lại, khi hiệu quả sử dụng một nguồn tài nguyên tăng lên, chi phí đơn vị giảm xuống, do phạm vi ứng dụng mở rộng nhanh chóng, tổng lượng tiêu thụ của nó lại có thể tăng lên.

Ví dụ, ô tô tiết kiệm nhiên liệu hơn không khiến nhu cầu dầu mỏ toàn cầu tự động biến mất; băng thông mạng ngày càng rẻ không khiến lưu lượng dữ liệu giảm. Tương tự, mô hình hiệu quả hơn chưa chắc giảm sử dụng GPU, mà có thể khiến AI từ một số ít tác vụ giá trị cao, trở thành năng lực cơ bản hiện diện khắp nơi trong doanh nghiệp.

Hiện tại, sự khuếch tán này đã bắt đầu xảy ra.

Khảo sát của McKinsey được báo cáo trích dẫn cho thấy, 63% doanh nghiệp được hỏi đã sử dụng mô hình mở trong ngăn xếp công nghệ của họ, nhưng hầu hết không hoàn toàn từ bỏ mô hình nguồn đóng, mà kết hợp cả hai. Mô hình trọng số mở chủ yếu được sử dụng cho lập trình, phân tích tài liệu, gọi tần suất cao và các tác vụ trong lĩnh vực cụ thể, trong khi mô hình nguồn đóng tiên tiến tiếp tục đảm nhận các công việc suy luận phức tạp, yêu cầu độ tin cậy cao và khó tiêu chuẩn hóa hơn.

Từ tháng 2 đến tháng 7 năm 2026, tỷ lệ Token mà các công ty Mỹ định tuyến qua OpenRouter đến các mô hình mở của Trung Quốc đã có lúc vượt quá 30% mỗi tuần. Dữ liệu này có thể thiên về các nhà phát triển và công ty khởi nghiệp, không thể trực tiếp đại diện cho chi tiêu của doanh nghiệp lớn, nhưng ít nhất cho thấy mô hình trọng số mở đã từ khái niệm phòng thí nghiệm, bước vào môi trường gọi và triển khai thực tế.

Tất nhiên, mô hình trọng số mở cũng không có nghĩa là 'mô hình miễn phí'.

Khi tự lưu trữ, doanh nghiệp có thể không còn trả phí API tính theo Token cho nhà cung cấp mô hình, nhưng vẫn phải mua hoặc thuê GPU, và chịu chi phí phòng máy, dịch vụ đám mây, tinh chỉnh, đội ngũ kỹ thuật, bảo mật và vận hành hàng ngày. Điều này có nghĩa là khi sử dụng mô hình trọng số mở thông qua API được lưu trữ do nhà cung cấp mô hình hoặc nền tảng đám mây cung cấp, doanh nghiệp vẫn có thể trả phí theo Token hoặc khối lượng tính toán.

Vì vậy, trọng số mở thay đổi không phải là chi phí tính toán có tồn tại hay không, mà là cách doanh nghiệp trả chi phí tính toán, và giá trị do nhà cung cấp mô hình, nền tảng đám mây hay hạ tầng tự có của doanh nghiệp nắm giữ.

Một nghiên cứu của MIT được Morgan Stanley trích dẫn ước tính, chuyển từ mô hình nguồn đóng sang mô hình mở, giá trung bình có thể giảm khoảng 70%, tiết kiệm khoảng 25 tỷ đô la mỗi năm cho người tiêu dùng. Nhưng báo cáo cũng đặc biệt lưu ý, nghiên cứu này được hoàn thành khá sớm, năng lực của các mô hình khác nhau không hoàn toàn so sánh được, và có thể không tính đầy đủ các chi phí ẩn như kỹ thuật, vận hành và bảo trì.

Một nghiên cứu khác của Carnegie Mellon cho thấy, thời gian hoàn vốn khi tự xây dựng triển khai mô hình mở có thể kéo dài từ khoảng 3 tháng đến 6 năm. Trong đó, các mô hình có tham số nhỏ, tác vụ cố định và tần suất gọi cao có thể nhanh chóng phân bổ chi phí phần cứng; các mô hình lớn và ứng dụng doanh nghiệp phức tạp thì có thể vì tỷ lệ sử dụng không đủ, cập nhật thường xuyên và chi phí tinh chỉnh quá cao, rất lâu không thể chứng minh tự xây dựng rẻ hơn API.

Vì vậy, tính kinh tế của mô hình trọng số mở không có câu trả lời thống nhất.

Nó phụ thuộc vào quy mô mô hình, tần suất sử dụng, tỷ lệ sử dụng hạ tầng, năng lực kỹ thuật doanh nghiệp, và liệu dữ liệu có bắt buộc phải ở lại địa phương hay không. Mô hình càng mở, doanh nghiệp càng có nhiều lựa chọn, nhưng trách nhiệm kỹ thuật phải gánh vác cũng càng nhiều.

Hai: Giai Đoạn Tiếp Theo, Sức Mạnh Tính Toán Diễn Ra Ở Đâu?

Nếu tương lai của AI chỉ bị chi phối bởi một số ít mô hình nguồn đóng, thì việc huấn luyện và suy luận sẽ tiếp tục tập trung vào các nền tảng đám mây lớn và trung tâm dữ liệu siêu quy mô.

Nhưng nếu mô hình trọng số mở được áp dụng rộng rãi hơn, sức mạnh tính toán AI sẽ không biến mất, mà sẽ từ một số ít nút trung tâm, khuếch tán thêm vào đám mây riêng, phòng máy doanh nghiệp, trung tâm dữ liệu chủ quyền, máy chủ biên và thiết bị cá nhân.

Điều này có nghĩa là, biến số mà thị trường cần chú ý sẽ chuyển từ 'cần bao nhiêu GPU', sang 'GPU được triển khai ở đâu, do ai quản lý, và được gọi như thế nào'.

Trong kỷ nguyên mô hình nguồn đóng, doanh nghiệp có thể thuê ngoài hầu hết sự phức tạp cho công ty mô hình: kết nối một API, trả phí theo Token, nhà cung cấp chịu trách nhiệm cập nhật mô hình, hạ tầng, căn chỉnh an toàn và một phần trách nhiệm pháp lý.

Bước vào kỷ nguyên đa mô hình, cấu trúc đơn giản này bắt đầu bị phá vỡ.

Doanh nghiệp có thể giao các tác vụ phức tạp nhất cho mô hình nguồn đóng tiên tiến, và các tác vụ nhạy cảm chi phí, tần suất cao cho mô hình trọng số mở; dữ liệu nhạy cảm ở lại địa phương, khối lượng công việc thông thường chạy trên đám mây công cộ