开源的火，烧向硅谷

Tác giả gốc: Tô Dương

Biên tập gốc: Từ Thanh Dương

Nguồn gốc: Tencent Technology

Một sự thay đổi tinh tế đang diễn ra tại Thung lũng Silicon.

Trong hai năm qua, khi các doanh nghiệp bàn về AI, câu hỏi họ quan tâm nhất thường là "mô hình của ai mạnh nhất". Ngày nay, khi quy mô ứng dụng AI mở rộng, một câu hỏi khác bắt đầu trở nên ngày càng thực tế: để hoàn thành cùng một nhiệm vụ, liệu có thực sự cần thiết phải sử dụng mô hình đắt nhất hay không?

Khi chi tiêu CNTT tiếp tục tăng, các doanh nghiệp Mỹ bắt đầu xem xét lại chi phí AI, và ngày càng chuyển hướng sang các mô hình AI "mã nguồn mở" có giá thấp hơn. Chính xác hơn, trong đó một phần đáng kể là các mô hình "trọng số mở" (open-weight).

Theo dữ liệu từ nền tảng nghiên cứu AlphaSense, trong tháng 8 và tháng 9 năm nay, số lần các mô hình "trọng số mở" hoặc "mã nguồn mở" được đề cập trong các cuộc họp báo cáo tài chính và hội nghị nhà đầu tư của doanh nghiệp Mỹ đã gấp 6 lần so với cùng kỳ năm ngoái.

Từ các công ty công nghệ đến ngành tài chính, logistics, công nghiệp và viễn thông, các doanh nghiệp bắt đầu thử nghiệm kết hợp các mô hình khác nhau tùy theo độ khó của nhiệm vụ: các mô hình tiên tiến đắt nhất đảm nhận các nhiệm vụ phức tạp, trong khi các mô hình mã nguồn mở rẻ hơn gánh vác khối lượng lớn công việc hàng ngày.

Mô hình tiên tiến không thể "ăn cả"

Hai công ty khởi nghiệp AI Trung Quốc là Zhipu AI và Moonshot AI đã ra mắt các mô hình mới có hiệu năng đủ sức sánh ngang với sản phẩm của các phòng thí nghiệm Mỹ

Trong những năm qua, OpenAI và Anthropic không ngừng nâng cao ranh giới năng lực của các mô hình tiên tiến, đồng thời hình thành một logic kinh doanh rõ ràng: doanh nghiệp sẵn sàng trả giá cao hơn cho các mô hình mạnh hơn, bởi vì mức độ thông minh cao hơn đồng nghĩa với mã tốt hơn, khả năng suy luận phức tạp hơn và năng lực tự động hóa mạnh hơn.

Nhưng khi AI chuyển từ giai đoạn thử nghiệm số ít sang môi trường sản xuất quy mô lớn, các doanh nghiệp bắt đầu tính toán lại bài toán này.

Các nhiệm vụ thông thường với số lượng lớn như trích xuất thông tin, phân loại văn bản, sửa đổi mã đơn giản, trả lời chăm sóc khách hàng, v.v. không cần phải gọi đến các mô hình tiên tiến đắt nhất.

Reuters đưa tin vào tháng 6 năm nay rằng các giám đốc điều hành như CEO Microsoft Satya Nadella, CEO Palo Alto Networks Nikesh Arora và CEO Coinbase Brian Armstrong đều bắt đầu nhấn mạnh rằng các mô hình nhỏ hơn, rẻ hơn có thể đáp ứng một phần đáng kể nhu cầu của doanh nghiệp.

Uber là một ví dụ điển hình.

Do nhân viên sử dụng công cụ lập trình AI với số lượng lớn, công ty chỉ mất 4 tháng để tiêu thụ hết ngân sách AI vốn được dự trù cho cả năm 2026, cuối cùng buộc phải đặt giới hạn cho việc sử dụng công cụ AI.

Các nhiệm vụ phức tạp hơn còn đẩy chi phí lên cao hơn nữa. Khi một yêu cầu liên quan đến nhiều bước hơn, ngữ cảnh dài hơn và nhiều lần gọi công cụ hơn, ngay cả khi giá mỗi Token giảm, hóa đơn cuối cùng của doanh nghiệp vẫn có thể tăng nhanh chóng.

Do đó, "mô hình nào mạnh nhất" dần trở thành "mô hình nào phù hợp nhất với nhiệm vụ này". Các mô hình mã nguồn mở nhờ đó có được cơ hội.

Khác với việc OpenAI, Anthropic và các công ty khác chủ yếu cung cấp dịch vụ mô hình qua đám mây, các mô hình mã nguồn mở cho phép doanh nghiệp tải xuống tham số mô hình, chạy trên máy chủ hoặc hạ tầng đám mây của riêng mình, và tinh chỉnh theo nhu cầu kinh doanh, từ đó giảm một phần chi phí gọi API, đồng thời có được quyền kiểm soát triển khai và dữ liệu lớn hơn.

Financial Times dẫn dữ liệu từ Vercel cho biết, vào tháng 8 năm nay, trong tổng số Token mà AI Gateway của công ty này xử lý, các mô hình mã nguồn mở chiếm 56%, trong khi vào tháng 12 năm ngoái chỉ là 7%. Reuters dẫn dữ liệu từ Citibank cho biết, tỷ lệ Token được xử lý bởi các mô hình mã nguồn mở trên OpenRouter cũng tăng từ 34% vào tháng 1 năm nay lên 65% vào tháng 6.

"Đĩa kết hợp mô hình"

Điều thực sự định hình lại mô hình kinh doanh AI không phải là một mô hình mã nguồn mở nào đó đánh bại các gã khổng lồ mã nguồn đóng, mà là các doanh nghiệp bắt đầu từ bỏ tư duy "một mô hình giải quyết mọi vấn đề". Sự thay đổi này đặc biệt rõ rệt trong ngành phần mềm.

Tinder thuộc Match Group, để kiểm soát chi phí AI tăng vọt, đã bắt đầu định tuyến một số truy vấn phi kỹ thuật sang các mô hình mã nguồn mở. CTO của công ty, Vinay Kuruvila, tiết lộ rằng quy mô chi tiêu AI hàng năm của công ty đã tăng mạnh từ 1 triệu USD vào tháng 1 lên 10 triệu USD vào tháng 7. Mặc dù các mô hình hàng đầu có thể đảm nhận khoảng 90% nhiệm vụ, nhưng khi các mô hình mã nguồn mở tiếp tục bắt kịp, khối lượng lớn công việc đã không còn cần thiết phải gọi đến hệ thống đắt nhất.

Gã khổng lồ viễn thông AT&T còn đi xa hơn. Giám đốc Dữ liệu và AI của công ty, Andy Markus, tiết lộ rằng hiện khoảng 40% khối lượng công việc AI chạy trên các mô hình mã nguồn mở, và có kế hoạch nâng lên 70% trong vòng một năm. Đối mặt với khối lượng xử lý 45 tỷ Token mỗi ngày, AT&T còn sử dụng dữ liệu độc quyền để tinh chỉnh các mô hình mã nguồn mở, giúp chúng đạt hoặc thậm chí vượt hiệu suất của các mô hình mã nguồn đóng trong các nhiệm vụ cụ thể.

Do đó, "đĩa kết hợp mô hình" đang trở thành kiến trúc phổ biến cho các ứng dụng AI: các mô hình tiên tiến đảm nhận suy luận và lập kế hoạch phức tạp, các mô hình chi phí thấp gánh vác khối lượng lớn công việc thực thi.

Không chỉ các ứng dụng tiêu dùng, các phần mềm công cụ và phát triển cũng đang trải qua sự chuyển hướng tương tự.

Thử nghiệm của nhóm Cursor cũng thể hiện sự khác biệt chi phí này. Xây dựng trình duyệt từ đầu, nếu sử dụng OpenAI GPT-5.5 toàn bộ, chi phí vượt quá 10.000 USD; chuyển sang sử dụng mô hình Composer tự phát triển kết hợp với Anthropic Opus 4.8, chi phí giảm xuống còn 1.339 USD, chênh lệch khoảng 7,5 lần.

Mô hình này cũng khiến "trung lập mô hình" (Model Agnostic) trở thành năng lực quan trọng của ứng dụng AI. Doanh nghiệp có thể linh hoạt điều phối giữa OpenAI, Anthropic, Google và các mô hình mã nguồn mở dựa trên độ khó và chi phí của nhiệm vụ, thay vì bị ràng buộc với một nhà cung cấp duy nhất.

Công ty Telnyx trước đây sử dụng mô hình hàng đầu của Anthropic để vận hành 1.000 bot agent (Bot Agent), theo cách tính phí ban đầu, chi phí trung bình mỗi ngày có thể lên tới 100.000 USD. Sau khi chuyển sang mô hình mã nguồn mở, số bot agent của công ty tăng lên 1.400, nhưng chi phí trung bình mỗi ngày cho một bot agent lại giảm xuống còn khoảng 100 USD.

Công ty khởi nghiệp AI pháp lý Harvey cũng áp dụng chiến lược tương tự: các nhiệm vụ hàng ngày do mô hình mã nguồn mở đảm nhận, chỉ những công việc có độ khó cực cao mới gọi đến mô hình hàng đầu.

Phân phối lại giá trị

Sự thay đổi này gây ra tác động sâu sắc đến nền tảng kinh doanh của OpenAI và Anthropic.

Trước đây, các công ty mô hình tiên tiến thúc đẩy doanh nghiệp tăng chi tiêu AI bằng cách không ngừng nâng cao năng lực mô hình. Mô hình càng mạnh, giá trị gia tăng càng cao, và giá trị gia tăng này lại chuyển hóa thành đầu tư tính toán cho thế hệ mô hình tiếp theo. Nhưng các mô hình mã nguồn mở đang phá vỡ vòng tuần hoàn này.

Dữ liệu từ Citibank cho thấy, trước đây một số mô hình mã nguồn mở đã có giá thấp tới 18 cent cho mỗi triệu Token, trong khi giá trung bình của các mô hình mã nguồn đóng hàng đầu khoảng 4 USD. Ngay cả khi các mô hình mã nguồn mở có khoảng cách về hiệu năng trong một số nhiệm vụ cực hạn, mức chênh lệch giá quá lớn như vậy cũng đủ để doanh nghiệp đánh giá lại liệu có cần thiết phải gọi mô hình hàng đầu cho mọi nhiệm vụ hay không.

Quan trọng hơn, tốc độ bắt kịp về năng lực cốt lõi của phe mã nguồn mở vượt xa dự đoán.

DeepSeek đã đưa mô hình V4 Pro ra mắt rộng rãi (GA) mà không cần khởi động trước, mô hình này đạt thành tích đỉnh cao 80,6% trên SWE-bench Verified, và lập kỷ lục xếp hạng Codeforces cao nhất trong các mô hình được kiểm nghiệm. Trong khi đó, mức phí Token tổng hợp của nó chỉ bằng khoảng 1/46 so với Claude Opus 4.7.

Khi một mô hình mã nguồn mở với chi phí chỉ bằng 1/46 so với đỉnh cao mã nguồn đóng không chỉ có thể đảm nhận công việc, mà còn trực tiếp sánh ngang với các mô hình tiên tiến hàng đầu trên các chỉ số quan trọng như lập trình chuyên sâu và suy luận thuật toán, thì cán cân chiến lược mua sắm của bên mua đã bị phá vỡ hoàn toàn.

Giám đốc AI của WEKA, Val Bercovici, từng khái quát xu hướng này là "đạt được 90% hiệu quả với 10% giá thành", và sự xuất hiện của các sản phẩm như DeepSeek V4 Pro thậm chí đang phá vỡ giới hạn "90% hiệu quả", hướng tới ngang tầm với hiệu suất hàng đầu.

Ngoài chi phí, kiểm soát dữ liệu cũng là sức hút quan trọng của các mô hình mã nguồn mở.

Giám đốc toàn cầu cấp cao về kiến trúc giải pháp của Digital Realty, Scott Wallace, cho biết công ty đã xây dựng giao diện trò chuyện nội bộ chạy trên các mô hình mã nguồn mở, và kết hợp giữa mô hình mã nguồn mở và mô hình độc quyền dựa trên mức độ nhạy cảm và phức