Đa Thức nhiều biến số cho tư duy đầu tư
← Về trang chủ
Dịch thuật

Buổi trao đổi với nhà đầu tư của Liang Wenfeng — Bản ghi âm thành văn bản

Ghi âm ngày 20/5 · Tổng hợp ngày 16/07/2026

File âm thanh deepseek 0520.m4a, tổng thời lượng khoảng 3 giờ 44 phút. Bản này được chuyển thành văn bản tự động bằng nhận dạng giọng nói và được AI biên tập lại, không phân biệt người nói; phần trong ngoặc vuông là mốc thời gian trong file âm thanh; một số tên riêng và con số có thể có sai sót khi nhận dạng, vui lòng đối chiếu với bản ghi âm gốc để chính xác.

Mục lục

Xuất phát điểm: một thiện chí lớn với thế giới, không phải để kiếm tiền

[00:00:01]

Cùng với các đồng nghiệp khác trong công ty, ban đầu khi chúng tôi làm công ty này, xuất phát điểm không phải là nghĩ xem cuối cùng sẽ kiếm được bao nhiêu tiền, có lên được thị trường vốn hay không, có IPO hay không, những thứ đó. Chúng tôi không xuất phát từ đó.

Vài chục người đầu tiên hoàn toàn không nghĩ như vậy. Nếu ai nghĩ như vậy thì đã không đến đây rồi. Nói chung, chúng tôi làm việc này với một thiện chí rất lớn đối với thế giới, chúng tôi cảm thấy việc này có ích cho loài người, đây là một việc nằm ngoài chuyện tiền bạc.

Tất nhiên, về sau khi phát hiện việc này có lợi ích rất lớn thì lại có những cám dỗ khác, đó là chuyện khác. Nhưng xuất phát điểm, tầm nhìn của chúng tôi, và tầm nhìn mà chúng tôi vẫn giữ đến bây giờ, không phải được xây dựng theo hướng tối đa hóa lợi ích thương mại. Tôi nghĩ điểm này khá then chốt.

Khoảng hai mươi năm trước, trong quản trị, người tôi ngưỡng mộ nhất là Jack Welch, cựu CEO của GE. Nhìn lại bây giờ, phần lớn những gì ông ấy nói có thể không còn đúng nữa, nhưng có một điểm quan trọng nhất ông ấy nói đúng: điều quan trọng nhất của một công ty là tầm nhìn (vision) của nó.

Quản lý một công ty lớn không dựa vào quy chế, nội quy, mà dựa vào tầm nhìn. Tầm nhìn là gì? Tầm nhìn không phải là khẩu hiệu treo trên tường, tầm nhìn là cách bạn làm, không phải cách bạn nói, tức là cách bạn thực sự vận hành. Nguyên văn Jack Welch nói thế nào tôi quên rồi, nhưng đại khái ý là vậy.

Vậy chúng tôi quản lý nhiều người như vậy, tổ chức như thế nào? Thực ra chúng tôi không có tổ chức, chỉ là được dẫn dắt bởi tầm nhìn, dựa vào một tầm nhìn để tập hợp lại. Chúng tôi không có tổ chức theo nghĩa thông thường.

Điều này có cái lợi, cũng có cái hại. Sau này chúng tôi sẽ tìm cách phát huy điểm mạnh, khắc phục điểm yếu, nhưng đây là đặc trưng của chúng tôi. Chúng tôi không làm theo kiểu “tôi phải đạt KPI gì đó, không có đánh giá”, chỉ có tầm nhìn.

Tầm nhìn này thậm chí cũng không được viết thành văn bản, chưa từng viết ra bất cứ điều gì. Tầm nhìn này nằm trong cách chúng tôi làm việc, thái độ của chúng tôi đối với thế giới. Có thể mỗi người trong công ty hiểu về tầm nhìn này cũng khác nhau, có thể tầm nhìn của mỗi người cũng có sự khác biệt, nhưng ở một hướng lớn thì thống nhất.

Tôi nghĩ vẫn là mang một thiện chí rất lớn đối với thế giới, rồi muốn làm một điều gì đó. Chúng tôi dùng cái này để tổ chức lại với nhau.

Tiếp theo tôi sẽ nói trước, nói xong mọi người sẽ đặt câu hỏi. Tôi có thể sẽ xoay quanh tầm nhìn này để nói về những chuyện sau. Tầm nhìn này là thật, không phải bịa ra, chúng tôi thực sự nghĩ như vậy, thực sự làm như vậy. Nếu không thì bạn không thể giải thích được rất nhiều việc của chúng tôi.

Vì sao chúng tôi kiên định với mã nguồn mở

Tại sao vì tầm nhìn này mà chúng tôi kiên trì mã nguồn mở (open source) đến vậy? Vì bản thân tầm nhìn này đòi hỏi phải mở mã nguồn. Không có tầm nhìn này thì không thể tổ chức được con người lại.

Ví dụ, Zhipu cũng mở mã nguồn, nhưng việc mở mã nguồn của Zhipu khác với của chúng tôi. Mở mã nguồn của Zhipu có cảm giác bị ép buộc, họ cảm thấy đây không phải bản ý của họ, nhưng với chúng tôi, đây chính là bản ý của chúng tôi.

Về việc mở mã nguồn, ngay từ đầu chúng tôi đã nghĩ rất rõ ràng. Thứ nhất là tầm nhìn; thứ hai, chúng tôi cho rằng để làm thành công AI về mặt thương mại thì mở mã nguồn là có lợi.

Nghe có vẻ hơi mâu thuẫn, hơi phản trực giác, vì trong lịch sử, mã nguồn mở và thương mại hóa luôn có xung đột. Nhưng tôi nghĩ AI khác với trước đây. Vì trong lịch sử, một công ty phần mềm, thị trường của nó một năm có thể chỉ vài tỷ đô la, nếu mở mã nguồn thì mất hết, có thể chỉ còn lại vài chục triệu hoặc vài trăm triệu đô la.

Nhưng việc AI này đủ lớn, cuối cùng nó có thể chiếm khoảng mười phần trăm GDP của xã hội loài người, ví dụ vậy. Vậy đó là một con số cực kỳ lớn. Một người không thể độc chiếm việc này, bạn nhất định phải chia sẻ với người khác, nếu không chắc chắn bạn không sống sót được.

Điều này khác với việc mở mã nguồn một phần mềm trước đây, vì thị trường phần mềm đó không lớn đến vậy. Nhưng việc AI này thực sự quá lớn. Nếu chúng tôi muốn độc chiếm lợi ích này, thì chắc chắn sẽ bị lịch sử đào thải. Tôi nghĩ đây chủ yếu là một quy luật khách quan, là một quan điểm lịch sử.

Không phải là nếu tôi không mở mã nguồn thì tôi có thể độc chiếm thị trường này, về lý thuyết điều đó không phù hợp với thực tế khách quan. Bạn chắc chắn sẽ gặp rất nhiều lực cản, chắc chắn sẽ có những cách khác ngăn bạn đạt được mục tiêu này.

Trong tình huống đó, tôi nghĩ không nhất thiết phải theo tư duy kinh doanh truyền thống. Bạn cần có một cơ chế để đảm bảo lợi ích mà bản thân bạn có thể nhận được là có giới hạn, thì bạn mới có khả năng làm thành. Cần sự tiết chế, tôi nghĩ là cần tiết chế.

Nếu chúng tôi muốn làm thành việc AI này trong tay mình, trước tiên, tôi nghĩ là cần tiết chế. Không thể nghĩ rằng bao nhiêu phần trăm GDP loài người sẽ thuộc về mình, hay bao nhiêu phần trăm GDP Trung Quốc sẽ thuộc về mình. Càng nghĩ như vậy thì càng không làm được.

Vì vậy ngay từ đầu chúng tôi đã cảm thấy cần tiết chế. Càng tiết chế, càng có khả năng làm thành việc này. Đây là một cân nhắc về mặt thương mại, tất nhiên đây cũng là một cân nhắc vĩ mô.

Tôi nghĩ điều này phù hợp với trực giác, ít nhất là phù hợp với trực giác của tôi, hay ít nhất tôi thực sự nghĩ như vậy. Chúng tôi không có nhiều lợi thế khác, chúng tôi không có bản lĩnh gì đặc biệt, chúng tôi không giàu hơn người khác, cũng không phải nhân sự của chúng tôi tốt hơn công ty khác, thực ra là không có.

Bạn nghĩ xem, khi chúng tôi thành lập công ty này hai năm trước, chúng tôi vừa không có nhiều tiền, vừa không có nhiều card (GPU), vừa không có tiếng tăm gì, vừa không có sức hiệu triệu gì, chúng tôi chỉ là một nhóm người rất bình thường.

[00:11:49]

Tôi thực sự chỉ là một nhóm người bình thường. Nếu nói về một câu chuyện tôi thích, đó là một nhóm người bình thường làm nên việc phi thường, chứ không phải một nhóm thiên tài làm nên việc phi thường, điều này liên quan rất nhiều đến sự tiết chế của chúng tôi, liên quan mật thiết đến sự tiết chế, tầm nhìn của chúng tôi.

Vậy, mở mã nguồn và thương mại hóa có xung đột không? Tôi nghĩ trong việc AI này, nếu bạn không tiết chế, bạn sẽ không đứng vững. Mở mã nguồn là một phần của sự tiết chế, vậy sự tiết chế của chúng tôi không chỉ thể hiện ở mở mã nguồn, mà còn thể hiện ở rất nhiều mặt khác. Nhưng nhìn chung, chúng tôi không cần phải cân nhắc chuyện mở mã nguồn này, không cần cân nhắc chuyện tiết chế này.

Bạn càng tiết chế, có thể càng dễ làm thành, hay ít nhất đến hiện tại là được chứng thực, đến hiện tại là có thể giải thích được. Nếu không thì không có cách nào giải thích được vì sao chúng tôi có thể làm thành: chúng tôi không có vũ khí gì, xuất phát điểm lại rất thấp, nguồn lực lại rất ít, con người của chúng tôi thực ra cũng chỉ là một nhóm người bình thường ngẫu nhiên. Bản thân tôi cũng chỉ là một sinh viên tốt nghiệp đại học, cũng không phải tốt nghiệp từ trường đỉnh cao nhất.

Sự tiết chế này cũng là một phần trong tầm nhìn của chúng tôi. Việc AI này quá lớn, lợi ích quá lớn. Chúng tôi rất tiết chế, chỉ cần làm thành thì cuối cùng lợi ích sẽ rất lớn. Bạn chỉ cần chia một chút thôi là đã rất lớn rồi, nên bây giờ hoàn toàn không cần cân nhắc lấy phần nào trong đó, lấy như thế nào, tôi nghĩ hoàn toàn không cần nghĩ đến việc này, vì lợi ích này đã đủ lớn rồi.

Triết lý định giá: chỉ lấy lợi nhuận hợp lý, không tối đa hóa

Bạn chỉ cần chia một chút xíu thôi đã là đủ rồi. Vì vậy trước đây chúng tôi nói, chúng tôi chỉ kiếm một khoản lợi nhuận hợp lý, chỉ nhìn vào ý nguyện của bạn, chứ không phải lợi nhuận lớn hay không, điều này khác nhau. Đây không phải là cách chúng tôi định giá API. Định giá API của chúng tôi, chúng tôi nghĩ một lợi nhuận hợp lý, đại khái là chúng tôi mua một lô thiết bị trên thị trường về, mười tháng thu hồi vốn, tôi nghĩ đó là một lợi nhuận hợp lý.

Trong tình huống hiện tại, xét đến rủi ro, đầu tư ban đầu, v.v., nếu một máy chủ mà chúng tôi tính khấu hao ba năm hoặc năm năm về mặt tài chính, nhưng về mặt thương mại, chúng tôi nghĩ đại khái mười tháng thu hồi vốn là đủ, OK, chúng tôi thấy đủ rồi. Vì vậy đây là logic định giá API hiện tại của chúng tôi. V3.2 Flash của chúng tôi và các model khác đều là mười tháng thu hồi chi phí thiết bị.

Đây chính là tiêu chuẩn của chúng tôi. Thực ra nó không phải là tối đa hóa lợi nhuận, nếu tối đa hóa lợi nhuận thì nên đặt giá cao hơn. Vì trong khoảng giá này, nhu cầu của người dùng không có độ co giãn, tức là nếu giá tôi tăng gấp rưỡi, hay giá tôi tăng gấp đôi, thì mức tiêu thụ token không khác biệt nhiều.

Nếu giá tôi đắt gấp đôi, tổng doanh thu của tôi gần như tăng gấp đôi. Đợi chút, tôi kiểm tra lại. Ôi, tốt quá.

Tôi kể cho các bạn một câu chuyện, đó là model DDCP của chúng tôi. Ban đầu chúng tôi lo nhu cầu quá nhiều nên đặt giá khá cao, mọi người trong team không vui lắm. Sau đó tôi hạ giá xuống, giảm còn một phần tư, mọi người rất vui.

Tôi nghĩ đây mới là suy nghĩ thật sự của chúng tôi. Đó là tầm nhìn tôi vừa nói, chúng tôi vẫn muốn thứ này có ích cho con người, chứ không phải chúng tôi kiếm được nhiều tiền nhất, mà là trong tình huống có thể kiếm được lợi nhuận hợp lý, mọi người đều dùng được. Tôi nghĩ đây là suy nghĩ của những người khác trong công ty, lúc chúng tôi giảm giá, trong nhóm chat công ty rất nhiều người reo hò, mọi người đều rất vui.

Vì đây là mục đích mà chúng tôi bỏ ra bao nhiêu công sức, chăm chút để làm tốt model này. Mục đích là để rất rẻ, hiệu quả rất tốt, để mọi người đều có thể dùng thoải mái. Chúng tôi thấy rất vui vì điều đó, đây là động lực của chúng tôi, đây là tầm nhìn của chúng tôi, đây là sự đồng thuận giúp công ty chúng tôi gắn kết lại để làm việc này, đây là sự đồng thuận nội bộ của công ty chúng tôi.

Điểm này có lẽ khá đặc biệt, vì giảm giá như vậy đối với các đối thủ cạnh tranh khác của chúng tôi chắc chắn không phải là tin tốt, họ chắc chắn không reo hò. Vì doanh thu của bạn, ARR của bạn, nếu giảm một nửa thì ARR cũng giảm một nửa. Đúng vậy, đây là điểm khác biệt của chúng tôi.

Chúng tôi thấy như vậy là đủ. Về nội bộ công ty, mười tháng thu hồi vốn, về mặt thương mại tôi đã rất hài lòng rồi. Về bên ngoài công ty, chúng tôi cũng thấy mức giá này khiến mọi người vui vẻ, sẵn lòng đón nhận, đôi bên cùng có lợi, công ty với xã hội, với tất cả mọi người đều cùng thắng.

Tôi nghĩ, OK, vừa có người để lại bình luận trên màn hình nói mười tháng thu hồi vốn thì lợi nhuận này quá cao. Đúng là vẫn còn dư địa để giảm giá, đúng là vẫn còn dư địa giảm giá. Ở khâu tối ưu model cũng còn dư địa, nên tổng thể dư địa giảm giá vẫn còn khá lớn.

Nhưng chi phí này, mười tháng thu hồi vốn, chúng tôi tự làm được, các hãng khác không làm được. Ví dụ Alibaba hay Tencent, họ không có sự tối ưu như chúng tôi, chi phí của họ chắc phải cao hơn thế này vài lần. Ở đây vẫn còn rất nhiều việc tối ưu phải làm.

Vừa nói tại sao chúng tôi không tiếp tục giảm giá, là vì nó không có độ co giãn. Tức là nếu tôi giảm giá thêm, nhu cầu sẽ không tăng thêm nữa, hoặc nếu tôi giảm giá thêm, nhu cầu tăng thêm rất ít. Vì ở mức giá này ai cũng dùng được rồi, mọi người đều thấy hài lòng với mức giá này, sẽ không vì giá đắt mà không dùng nữa.

Vì vậy giảm giá trước tiên công ty sẽ không có thêm doanh thu, đối với xã hội cũng không tạo thêm giá trị, vì mức giá này mọi người đã hài lòng rồi. Giá bạn càng thấp thì mức độ hạnh phúc của xã hội cũng không tăng thêm nhiều. Đúng, OK, nhưng vừa rồi về vấn đề này, tức là trong chuyện định giá, chúng tôi chắc chắn không phải là

[00:25:32]

lấy doanh thu công ty cao nhất hoặc lợi nhuận cao nhất làm điểm xuất phát. Đây là một phần của sự tiết chế, vì xét ngắn hạn, giá cao hơn một chút thì doanh thu có thể nhiều hơn một chút; nhưng xét dài hạn thì thực sự khó nói. Vì tôi nghĩ tiết chế là một chiến lược.

Sự tiết chế: một chiến lược dài hạn, không phải khẩu hiệu

Đối với tôi, tiết chế là một chiến lược. Là ở chỗ đôi khi bạn có thể từ bỏ một số thứ để đổi lấy nhiều thứ khác. Việc không mở mã nguồn cũng vậy, có thể coi là áp lực của chúng tôi, cũng có thể coi là sự nhường lợi ích của chúng tôi.

Trước tiên, việc nhường lợi ích này đối với nội bộ công ty chúng tôi, chúng tôi rất vui, mọi người đều vui, nhân viên cảm thấy rất có thành tựu, chúng tôi vì thế mà có sự gắn kết. Và việc nhường lợi ích này có lợi cho xã hội, xã hội cũng rất vui, các đồng nghiệp trong ngành hay người bình thường đều sẽ vui. Vì vậy sự tiết chế này, tôi hiểu rằng về lâu dài có thể tăng xác suất chúng tôi làm thành AGI.

Khi cân nhắc một việc, tôi hoàn toàn không nghi ngờ AGI sẽ có giá trị thương mại rất lớn. Vậy trên cơ sở đó, điều tôi ưu tiên cân nhắc không phải là làm sao để giành thêm thị phần, giành thêm một chút phần, mà tôi ưu tiên cân nhắc là làm sao tăng xác suất tôi có thể làm thành.

Sự tiết chế này có thể còn thể hiện ở nhiều mặt khác. Ví dụ, Tết năm ngoái người dùng của chúng tôi bỗng nhiên tăng rất nhiều, nhưng chúng tôi không đi theo đuổi việc giữ chân những người dùng này, hay dùng những người dùng này để kiếm tiền, hay tranh giành lợi ích thương mại, biến nó thành tiền trên người dùng.

Chúng tôi không đi tranh giành người dùng, không đi kiếm tiền, nhưng chúng tôi rất nỗ lực tìm cách phục vụ người dùng cho tốt. Chúng tôi không có suy nghĩ như vậy, rằng tôi phải làm thành siêu ứng dụng tiếp theo, rồi tôi phải cạnh tranh với ai đó, tôi phải làm thành ByteDance tiếp theo, làm thành Tencent tiếp theo, hoàn toàn không có suy nghĩ đó.

Chúng tôi có thể làm như vậy, nhưng chúng tôi đã không làm. Tôi hiểu đây cũng là một phần của sự tiết chế. Bạn đừng nghĩ cái gì cũng phải kiếm được, tưởng rằng có người dùng rồi thì có thể làm thành ByteDance tiếp theo, rồi bạn “ăn” hết miếng đó.

Tôi nghĩ về mặt thương mại điều này khả thi, có thể làm được. Nếu năm ngoái chúng tôi dùng một khoản tiền lớn để tranh giành người dùng với ByteDance, đó cũng là một cách chơi. Nhưng chúng tôi chọn một cách làm rất tiết chế, tức là tôi không tranh giành thứ đó với bạn, vì phía sau còn có dưa hấu, phía trước có thể chỉ là hạt vừng.

Tôi không nên tranh giành từng hạt vừng. Tất nhiên, có thể hạt vừng này khá to, nhưng tôi nghĩ AI phía sau có thể khiến những thứ phía trước đều không đáng kể. Nhìn lại bây giờ, năm ngoái chúng tôi không dồn sức vào mảng C-end (người dùng cá nhân) có thể là đúng. Vì có thể thấy phía sau thực sự có quả dưa hấu lớn hơn, phía trước thực sự chỉ là những hạt vừng nhỏ.

Nếu năm ngoái tôi có nhiều tiền, rồi làm việc này thật lớn, thì có lợi ích gì? Bạn không nhận được gì cả. Đây là suy nghĩ thật của tôi, vì tôi nghĩ cơ hội AGI phía sau chắc chắn rất lớn, cơ hội AGI phía sau vĩnh viễn là rất lớn.

Tôi thậm chí không cần cân nhắc đến lúc đó tôi chiếm một vị trí nào, hay mô hình kinh doanh của tôi ở đó là gì, chúng tôi hoàn toàn không cần cân nhắc. Chỉ cần có cơ hội kinh doanh lớn như vậy, chắc chắn bạn sẽ có cách. Vậy những hạt vừng phía trước, chúng tôi cũng sẽ nhặt, nhưng chúng tôi chỉ tiện tay nhặt một chút, không dừng lại, hay coi đó là việc quan trọng để làm.

Vì vậy lượng người dùng hoạt động hàng ngày ở mảng C-end năm ngoái, tôi nghĩ có lẽ chỉ là chuyện nhỏ. Nhưng chúng tôi cũng nhặt, chúng tôi cũng duy trì việc sử dụng của người dùng với chi phí khá thấp, vì có thể sau này sẽ có ích. Dù hiện tại chưa biết người dùng này có ích gì, hiện tại nó là một khoản chi phí thuần túy, nhưng sau này có thể có ích.

Đã tiện tay nhặt được thì chúng tôi sẽ nhặt. Kể cả năm nay, rất có thể doanh thu ARR của chúng tôi ở mảng API hay AI cũng là một cơ hội. Tức là nếu nhu cầu này có thể tiếp tục mở rộng, nếu tiếp tục mở rộng, mua được nhiều card hơn, thì ARR đạt vài tỷ đô la là rất có khả năng.

Nếu AI có thể đạt mười tỷ đô la, thì cơ bản dòng tiền của công ty tôi có thể chuyển thành dương, có thể bù đắp chi phí nghiên cứu phát triển, bù đắp tất cả chi phí. Vậy điều này cũng có khả năng, nhưng chúng tôi không coi đó là ưu tiên hàng đầu.

Việc này chúng tôi sẽ làm, nhưng tôi nghĩ đây là việc quan trọng. Nó không phải ưu tiên số một của chúng tôi, hay không phải điều chúng tôi thực sự quan tâm hôm nay. Cơ hội lớn hơn nên vẫn còn ở phía sau, cơ hội phía trước bao gồm C-end năm ngoái, B-end (doanh nghiệp) năm nay, tôi nghĩ việc này cần làm, cần làm tốt, nhưng đây không phải mục tiêu của chúng tôi.

Hay nói cách khác, phần lớn người trong công ty chúng tôi không cho rằng đây là việc rất quan trọng, không cho rằng đây là vấn đề quan trọng ngang với AGI.

Có thể nói thêm về mở mã nguồn, vì trước đó có rất nhiều câu hỏi về mở mã nguồn. Trước tiên, tôi nghĩ chúng tôi sẽ mở mã nguồn, và model mạnh nhất của chúng tôi có lẽ cũng sẽ được mở mã nguồn. Vì tôi không thấy có lợi ích gì khi đóng mã nguồn, không thấy có lợi ích tất yếu nào. Model của ByteDance là đóng mã nguồn, nó có lợi ích gì? Tôi không thấy có lợi ích gì.

Dù có mở mã nguồn model, bạn nói hết mọi thứ cho người khác, ngưỡng vào cũng rất cao. Người khác muốn dùng được, ngưỡng này cũng rất cao. Họ muốn dùng được đã khó; kế đến, họ muốn dùng với chi phí thấp, cũng rất khó, không dễ như vậy.

Không phải là tôi mở mã nguồn rồi thì họ có thể dễ dàng đạt được chi phí triển khai giống tôi. Ở đây vẫn còn rất nhiều việc phải làm. Tuy các công việc này về nguyên lý ai cũng hiểu, nhưng không phải công ty nào cũng sẵn lòng, hay có ý nguyện và năng lực tổ chức nhân lực để đạt được mục tiêu đó.

Điểm này tôi cũng khá quen. Có thể họ không giỏi làm việc này, vì lực cản quá lớn. Kiểm soát chi phí này rất khó, họ có nhiều ràng buộc về quản lý cũng như vật lý. Đây cũng là lợi thế của công ty khởi nghiệp, vì công ty khởi nghiệp nếu quá nhỏ thì không có sức làm việc này; nếu là công ty lớn thì rất khó tổ chức.

[00:38:36]

Việc này đều có điểm khó, vì vậy đây thuộc vùng ngọt (sweet spot) của công ty ở quy mô như chúng tôi. Nếu chúng tôi lớn hơn nữa, có thể chúng tôi không có vấn đề khác; nếu nhỏ hơn thì sức của các bạn lại không đủ.

Mở mã nguồn và thương mại hóa không hề xung đột

Vậy về mở mã nguồn, tôi nghĩ chúng tôi nên định giá. Hiện tại chúng tôi nên nhận thức rằng sẽ không ép ai cả. Vì model định giá, tôi cũng sẽ không thu một mức phí rất cao, tôi cũng có thể thu phí theo mức mười tháng thu hồi vốn. Theo mười tháng thu hồi vốn, đã có thể khiến đối thủ cạnh tranh…

Tôi thu theo mười tháng thu hồi vốn này, đã có thể khiến bên thứ ba triển khai độc lập không có lãi. Bên thứ ba không làm được, họ không đạt được mức chi phí này, chắc chắn không làm được.

Vì vậy mở mã nguồn không hề ảnh hưởng đến doanh thu của tôi. Tất nhiên, nếu tôi muốn kiếm lợi nhuận gấp một trăm lần, thì mở mã nguồn là…

Nghe được lời bạn nói, nhưng hình như video bị rớt, sếp ơi.

Vừa rồi có thể có cuộc gọi đến.

Tức là mở mã nguồn, tôi nghĩ không ảnh hưởng gì đến mô hình kinh doanh của chúng tôi. Với điều kiện là chúng tôi chỉ kiếm lợi nhuận gấp sáu lần, mười tháng thu hồi vốn, đại khái tương ứng với lợi nhuận gấp sáu lần. Trong trường hợp chúng tôi chỉ kiếm lợi nhuận gấp sáu lần, mở mã nguồn sẽ không có ảnh hưởng gì.

Nhưng nếu bạn muốn kiếm lợi nhuận gấp một trăm lần, thì mở mã nguồn đúng là sẽ ảnh hưởng đến việc bạn kiếm lợi nhuận gấp một trăm lần, vì bên thứ ba sẽ triển khai, chi phí của họ có thể chỉ bằng hai mươi lần thấp hơn bạn.

Mô hình này có bền vững lâu dài không? Tôi nghĩ là được. Trong tầm nhìn này của chúng tôi, tôi nghĩ mở mã nguồn có thể duy trì lâu dài, hoặc chúng tôi định làm như vậy. Bạn có thể coi đó là có sự tiết chế, cũng là để bạn có lợi dài hạn hơn.

Chiến lược này có thể giúp chúng tôi có thêm cơ hội trên mặt trận công nghệ, xác suất chúng tôi làm thành AGI cũng lớn hơn. Chúng tôi thong thả hơn.

[00:xx]

Bạn nghĩ xem, chúng tôi hoàn toàn không cần tăng ca, vì không khó đến vậy. Nhưng đối với các hãng khác, có thể rất khó, vì họ nghĩ quá nhiều.

Thực ra không khó, hoàn toàn không khó. Ban đầu có thể… người ngoài nhìn vào có thể thấy chúng tôi chọn một mô hình rất khó, chúng tôi phải làm nghiên cứu, chúng tôi đi làm việc khó nhất, tưởng như là một mô hình khó (hard mode). Nhưng thực ra ở những chỗ khác chúng tôi đã từ bỏ rất nhiều, khiến chúng tôi vẫn còn rất nhiều sức lực, chúng tôi làm việc vẫn rất nhẹ nhàng.

Vì vậy về việc mở mã nguồn, thực ra phán đoán của tôi là nó bền vững. Mở mã nguồn và trả phí thương mại không xung đột với nhau, với điều kiện là trong trường hợp lợi nhuận gấp sáu lần thì không xung đột.

Lợi nhuận gấp sáu lần nghe có vẻ cao, nhưng thực ra không cao. Vì trong bối cảnh hiệu suất AI cao như hiện nay, một lợi nhuận hợp lý hiện tại có thể là mức này. Sau này có thể giảm xuống, ví dụ bốn lần, ba lần, tôi nghĩ đó đã là… không thể giảm thêm nữa được. Nhưng nó vẫn sẽ có lợi nhuận khá lớn.

Chỉ riêng việc bán API thì tôi không thấy việc này có sức hút lớn đến thế. Nhưng riêng việc này, bạn có thể thấy, không, tôi không thấy có xung đột gì.

Rồi tôi cũng không lo người khác triển khai model của chúng tôi rồi cạnh tranh với chúng tôi, hoàn toàn không lo chút nào. Chúng tôi còn mong họ triển khai được.

Chúng tôi cố gắng hết sức hỗ trợ cộng đồng mã nguồn mở, giúp mọi người triển khai được model của chúng tôi. Tôi không lo họ tranh giành việc kinh doanh với chúng tôi, vì thị trường này đủ lớn. Tôi chỉ lo họ không triển khai được, họ làm sai một số chi tiết, hiệu quả kém đi, hoặc chi phí của họ cao hơn.

Đúng, ở đây không có xung đột gì.

Rồi năm ngoái, khi có mảng To B, câu hỏi hay được đặt ra là: mảng C-end của chúng tôi, tôi mở mã nguồn, vậy C-end có xung đột với C-end của tôi không? Vì tôi không có lợi thế về lưu lượng, hay Tencent có lưu lượng riêng rất nhiều, họ triển khai model mã nguồn mở của chúng tôi, họ sẽ hút hết người dùng C-end, tức là cướp hết người dùng C-end của tôi.

Nhưng thực ra không xảy ra, vẫn có nhiều nguyên nhân cho việc này.

Rồi câu hỏi là: model mã nguồn mở chúng tôi đưa ra, có giống với model chúng tôi tự triển khai không? Là giống nhau. Chúng tôi sẽ không mở mã nguồn một model kém hơn, rồi khi tự triển khai lại dùng model tốt hơn, sẽ không như vậy, là giống nhau.

Điều này cũng cho thấy không có xung đột. Cả năm ngoái, ở mảng C-end tôi về cơ bản đã mở mã nguồn, rồi dịch vụ C-end không thấy xung đột, thực sự không thấy xung đột. Vậy, đó là phần về mở mã nguồn.

Mục tiêu dài hạn: AGI và lộ trình công nghệ (CoT → Agent → học liên tục → trí tuệ hiện thân)

Tiếp theo là về tầm nhìn dài hạn của công ty, tôi nghĩ mục tiêu của chúng tôi nên là AGI. Mỗi người định nghĩa AI có thể không giống nhau, nhưng không ngăn cản chúng tôi coi AGI là mục tiêu.

Về lộ trình công nghệ, thực ra lộ trình AGI này khá rõ ràng. Với thế hệ công nghệ AI hiện tại, nếu bạn có thể mô tả một vấn đề rất rõ ràng, cho nó đầy đủ ngữ cảnh và chỉ dẫn, nó đã vượt qua con người rồi. Nhưng ở đây có một định nghĩa, một tiền đề là: bạn cho nó đầy đủ ngữ cảnh, đầy đủ chỉ dẫn.

Rồi định nghĩa này rất khó đạt được. Ví dụ hôm nay chúng ta họp, thực ra phía trước chúng ta có một ngữ cảnh rất dài rất mạnh, có thể mọi người có vài chục năm ngữ cảnh, đây là điều AI không có. Vậy hiện tại AI có thể làm được là, trong một ngữ cảnh giới hạn, nó có thể làm tốt hơn con người.

Nhưng nó vẫn chưa thể thay thế con người. Ở đây còn thiếu một chỗ, là học liên tục (continual learning). Vì con người cũng có thể học liên tục. Bạn tuyển một nhân viên, họ có thể mất hai tháng để làm quen với môi trường công ty, làm quen với công việc, sau hai tháng thì họ có thể bắt tay vào việc.

Họ có thể làm rất nhiều việc. Họ có thể nghe hiểu những gì bạn nói, ví dụ bạn nói, gọi Tiểu Vương đến đây, họ biết Tiểu Vương là ai. Nhưng nếu là AI, vì ngữ cảnh này, nó không có hai tháng học tập trước đó.

Bạn nói với nó, gọi Tiểu Vương đến, bạn phải nói cho nó biết Tiểu Vương là ai, chức vụ gì, ở đâu, phải tìm như thế nào, tìm thì cần lưu ý gì. Bạn phải cho AI tất cả ngữ cảnh đó. Trong tình huống này, AI có thể làm được, nhưng bạn không thể cho nó tất cả ngữ cảnh, cũng không thực tế.

Vì vậy AI hiện tại không thể thay thế nhân viên của bạn. Nhưng nếu AI có khả năng học liên tục, giống như nhân viên của bạn, đến công ty học hai tháng, thì

[00:51:02]

có thể thay thế được người trong thiên hạ, vì vậy chúng tôi cách bước tiếp theo còn thiếu một bước học cách học.

Sự phát triển của AI, chúng ta có thể hiểu nó như một bậc thang. Bậc thang năm ngoái là CoT (chuỗi suy luận), vì chúng tôi phát hiện, thông qua cách chuỗi suy luận, có thể khiến trí tuệ đạt đến một mức cao hơn. Thông qua việc nó tự suy nghĩ, có thể nâng trần này lên, khiến AI có thể làm được nhiều việc hơn.

Vậy chúng tôi lại vượt qua một bậc thang. Bậc thang của năm nay là Agent, vì chúng tôi phát hiện, dùng cách của Agent, dù có nhiều việc cũng có thể làm được, phạm vi năng lực của nó sẽ lớn hơn, trần trí tuệ của nó sẽ cao hơn.

Tại sao là bậc thang? Vì mỗi bước sau đều dựa trên nền tảng của bước trước. Agent phải dùng đến CoT, rồi CoT cũng phải dùng đến bậc thang trước đó, bậc thang trước đó là mô hình ngôn ngữ, vì vậy không có bước nào đi lãng phí cả.

Vì vậy, sự phát triển của AI, hướng đi của trí tuệ là có thể dự đoán được. Nói bậc thang của năm nay là Agent, nhưng bậc thang Agent này cũng sẽ đi hết. Tức là khi nó giải quyết hết tất cả các vấn đề có thể giải quyết được, nhưng nó vẫn không thể thay thế nhân viên của bạn, nhưng nó đã đạt đến giới hạn năng lực của nó rồi.

Giống như CoT vậy, khi CoT đạt đến giới hạn của nó, nó đã vượt qua những con người xuất sắc nhất, trong việc làm toán Olympic, viết chương trình đã vượt qua con người xuất sắc nhất. Nhưng nó vẫn dừng ở đó, công nghệ đó chưa thể đạt đến AGI.

Vì vậy bạn thấy, hướng đi của trí tuệ AI này là có thể dự đoán được. Rồi sau Agent, chúng tôi nghĩ vấn đề cần giải quyết là học liên tục, tức là làm sao để model có thể học liên tục, chứ không phải là bạn phải cho nó một lần huấn luyện rất mạnh, nó nên có khả năng học liên tục trong thời gian dài như con người.

Vấn đề này liên quan đến việc hoàn thành nhiệm vụ v.v., chúng có liên quan với nhau, giải quyết cùng một vấn đề. Hiện tại chúng tôi đứng ở vị trí Agent, có thể thấy nút thắt tiếp theo là học liên tục. Vấn đề cần giải quyết tiếp theo là làm sao học liên tục, điều này có thể thấy được, tương đối rõ ràng.

Đây là chướng ngại phía trước bạn phải vượt qua, và chắc chắn có cách để vượt qua, nhưng cần thời gian. Sau khi học liên tục, có thể chúng ta sẽ đến một điểm kỳ dị (singularity). Điểm kỳ dị này là, khi model có thể học liên tục, nó đã có thể làm mọi việc con người có thể làm.

Nó có thể tự phát triển phiên bản của chính nó, có thể tự nghiên cứu, rồi phát triển phiên bản tiếp theo của chính nó, phát triển model trí tuệ nhân tạo tiên tiến hơn. Vì vậy nó sẽ đến một điểm kỳ dị, có thể tự lặp lại (self-iterate).

Nhưng điểm kỳ dị này, nó không phải là một điểm kỳ dị theo nghĩa đen, nó cũng là một quá trình dần dần. Quá trình này có thể cũng là một sự biến đổi khá dài, không phải một sự đột biến. Nhưng theo thói quen, chúng ta đều cho rằng nó có thể là một điểm kỳ dị.

Vì trước đây rất lâu, các nhà tiên tri cho rằng ở đây sẽ có một điểm kỳ dị, nhưng thực ra nó không phải một điểm kỳ dị, nó là một quá trình liên tục. Rồi khi bước này đi xong, tôi nghĩ mới là trí tuệ hiện thân (embodied intelligence).

Đây là dự đoán của chúng tôi, đây là lộ trình thời gian mà chúng tôi nghĩ nên là: trước tiên giải quyết học cách học, rồi đến điểm kỳ dị của trí tuệ, điểm kỳ dị có thể tự lặp lại, rồi mới đến trí tuệ hiện thân. Đến trí tuệ hiện thân rồi, nó sẽ bước vào thế giới thực, có thể làm việc nhà cho bạn, có thể chăm sóc người già cho bạn.

Chúng tôi nghĩ đây là một lộ trình khá lý tưởng, nhưng quan điểm mỗi người khác nhau, không có đúng sai. Chỉ là chúng tôi nghĩ, lộ trình này là nhẹ nhàng nhất.

Lộ trình này là vì mỗi bước bạn phải làm mới đều rất ít. Lộ trình này giúp chúng tôi có thể không cần tăng ca. Nhưng nếu lộ trình ngược lại, ví dụ phải giải quyết trí tuệ hiện thân trước, thì việc tự làm sẽ rất mệt, đây là một việc rất khổ. Chúng tôi không mong lộ trình như vậy, chúng tôi mong làm việc nhẹ nhàng hơn một chút.

Nếu chúng tôi giải quyết học liên tục trước, rồi giải quyết điểm kỳ dị tự lặp lại đó, rồi giải quyết trí tuệ hiện thân, con đường này sẽ rất nhẹ nhàng. Vì đến giai đoạn sau, bạn có thể dùng công nghệ phía trước để giúp phát triển công nghệ phía sau. Sau điểm kỳ dị thì làm trí tuệ hiện thân không cần con người làm nữa, không cần chúng tôi làm nữa, model đó tự nó có thể ra đời.

Vậy đây là câu trả lời cho câu hỏi mục tiêu dài hạn của chúng tôi là gì. Tôi đã nói với anh ấy, đây chính là mục tiêu dài hạn của chúng tôi, chính là AGI mà chúng tôi nói.

C-end và B-end: chỉ là sản phẩm phụ trên con đường tới AGI

Quay về thực tế. Thực tế quan trọng nhất năm ngoái là, mọi người đều phải làm Chatbot, phải tranh giành lưu lượng C-end. Vậy thực tế năm nay là, mọi người đều phải tranh giành doanh thu To B, phải tham gia vào đó, vì nếu không tham gia thì căn bản không có mặt trên bàn cờ, đúng không?

Nhưng chúng tôi không cho rằng đây là việc quan trọng, hay nói cách khác, trong nội bộ công ty chúng tôi, điều chúng tôi thực sự quan tâm, chính là những lộ trình AGI tôi vừa nói, cũng như bước đột phá công nghệ tiếp theo là gì.

Nhưng có một điều khá kỳ lạ là, thứ bạn muốn có nhất, ngược lại bạn lại không có được. Còn việc bạn không quá để tâm, ngược lại lại khá dễ đạt được.

Ở đây có một lợi thế chiến lược, đó là trong lòng chúng tôi nghĩ về AGI, chúng tôi làm là AGI. Vậy khi chúng tôi làm ứng dụng, làm C-end, B-end, thì căn bản không cần tốn nhiều tâm sức để làm việc đó, thực ra tốn rất ít công sức là đủ.

Tôi nghĩ có thể nói là, khi bạn đứng ở vị trí công nghệ cao để làm công nghệ tương đối thấp cấp hơn, thì có kiểu tấn công đè bẹp theo chiều (dimensional strike) như vậy. Ít nhất ở mảng C-end năm ngoái, chúng tôi thấy đúng là như vậy. Chúng tôi không tốn nhiều sức ở C-end, thậm chí có lúc chúng tôi không muốn duy trì những người dùng đó nữa, nhưng người dùng đuổi cũng không đi.

Vì thực sự đuổi không đi, nên cuối cùng vẫn ở lại. Nhưng hơi… rồi doanh thu B-end năm nay, hiện tại nhìn thì mức tăng trưởng này khá lạc quan. Tôi nghĩ có thể con số này so với các đồng nghiệp trong ngành cũng khá tốt, tôi ước tính vậy. Nhưng chúng tôi không bỏ nhiều công sức để làm việc này, chúng tôi căn bản không

[01:02:45]

làm một việc gì đó, chỉ là làm tiện tay.

Việc đưa lên mạng của trí tuệ internet, khi đi, bước AGI này là bước tôi phải đi, là một bậc thềm. Trên con đường đến AGI, tôi phải đi qua bậc thềm này. Vậy tôi đưa những công nghệ này phục vụ mọi người qua API, tôi không làm thêm việc gì khác.

Chúng tôi vẫn đang làm AI, đây là một sản phẩm phụ. Tôi chỉ cần vài người duy trì API này là được, thậm chí cả bộ phận chăm sóc khách hàng cũng không cần, cũng không cần bán hàng, không cần gì cả, người dùng tự khắc sẽ đến.

Hay nói cách khác, những gì được coi là người dùng C-end, C-end và B-end, đều là sản phẩm phụ trên con đường AGI của chúng tôi, đều là một sản phẩm trung gian, không xung đột với việc tôi làm AGI. Tôi không phải vì làm C-end, hay vì làm B-end mà làm nó, mà là chúng tôi làm AGI vì muốn làm AGI, vừa hay sản sinh ra thứ này, tôi liền đem nó ra thương mại hóa.

Điều này khác với các công ty khác. Các công ty khác là vì muốn làm việc này, vì phục vụ người dùng C-end, hoặc phục vụ người dùng B-end mà đi làm model này. Nhưng với chúng tôi, xuất phát điểm không phải như vậy, xuất phát điểm của chúng tôi vẫn là theo đuổi AGI.

Tôi nghĩ điều này ở một mức độ nào đó là một kiểu tấn công đè bẹp theo chiều. AGI là một tầm nhìn lớn hơn, tầm nhìn này có thể tập hợp nhiều người xuất sắc hơn, nó có sức gắn kết mạnh hơn. Vì vậy tôi có lợi thế về tổ chức, rồi tôi tận dụng lợi thế này để… nó chính là một kiểu tấn công đè bẹp theo chiều.

Nhưng nếu bạn là một công ty thương mại, tầm nhìn của bạn là phục vụ tốt người dùng C-end, thì đó là một câu chuyện khác. Họ có lợi thế khác, về sản phẩm, về dịch vụ người dùng, về lưu lượng sẽ có lợi thế, nhưng về công nghệ thì không có lợi thế.

Tình hình hiện tại khá thuận lợi là, công nghệ model là quan trọng nhất. Bạn phải làm tốt model, những thứ khác… đúng, rồi điều này có thể giải thích quỹ đạo phát triển trước đây của chúng tôi. Chúng tôi thực sự chọn AGI, rồi tôi căn bản không nghĩ đến việc phải có thật nhiều người dùng.

Tết năm ngoái khi chúng tôi bỗng nổi tiếng, đó không nằm trong kịch bản của chúng tôi, chúng tôi hoàn toàn không nghĩ đến điều đó. Chúng tôi chỉ muốn làm tốt công nghệ này. Nhưng lúc đó tôi phát hiện, thực ra tổ chức của chúng tôi so với những tổ chức hoàn toàn thương mại hóa, lấy sản phẩm làm mục tiêu, thì có lợi thế thêm về nhân tài và tổ chức.

Điều này cũng khá kỳ diệu. Lúc đó ai cũng tranh giành C-end đến mức đầu rơi máu chảy, kết quả lại bị một người không đi tranh giành cuốn hút đi mất. Điều này cũng thực sự cho thấy logic tôi vừa nói là có lý, đúng là có lợi thế về nhân tài và tổ chức.

Lợi thế nhân tài này không phải nói người của tôi thông minh hơn họ, mà là làm sao tôi tổ chức những nhân tài này, làm sao khích lệ họ, rồi làm sao hợp tác. Đây là điều có lợi thế. Vì bạn tập hợp những người thông minh lại với nhau, không có nghĩa là tự nhiên họ sẽ hợp tác được, tự nhiên họ sẽ rất nhiệt huyết hướng đến một mục tiêu, hoàn thành nó, vì vậy bạn cần một tầm nhìn.

Trải nghiệm trước đây cho tôi bài học là, tầm nhìn AGI này rất mạnh mẽ.

Lợi ích cốt lõi duy nhất: sự ổn định của đội ngũ

OK, đó là câu hỏi. Câu hỏi tiếp theo là, tầm quan trọng của lợi ích cốt lõi là gì?

Tôi vừa nói, chúng tôi phải rất tiết chế ở nhiều mặt. Nhưng lợi ích cốt lõi của chúng tôi là gì? Thực ra lợi ích cốt lõi của chúng tôi chỉ có một điểm: lợi ích cốt lõi lớn nhất của chúng tôi là duy trì sự ổn định của đội ngũ. Đây là lợi ích cốt lõi lớn nhất của chúng tôi, thậm chí có thể coi là lợi ích cốt lõi duy nhất.

Chỉ cần tôi duy trì được sự ổn định của đội ngũ, tôi chắc chắn làm thành, chắc chắn làm thành AGI, đơn giản vậy thôi. Chỉ cần mọi người không rời đi, chúng tôi có thể tiếp tục làm, tôi chắc chắn có thể… về cơ bản không có rủi ro gì. Chỉ là sớm hay muộn sẽ gặp trắc trở; nếu gặp trắc trở, mọi người vẫn không rời đi, thì tôi có thể tiếp tục.

Tiền chắc chắn không phải vấn đề, nguồn lực không phải vấn đề, các yếu tố khác đều dễ có được. Với chúng tôi, chỉ có một lợi ích cốt lõi, chỉ có một điều không thể nhượng bộ: chúng tôi phải duy trì sự ổn định của đội ngũ.

Đây cũng là một thách thức rất lớn mà chúng tôi phải đối mặt, hay có thể nói là rủi ro lớn nhất. Tất nhiên, rủi ro này nhờ đợt gọi vốn gần đây mà được giải tỏa khá nhiều. Vì quyền chọn (option) mà mọi người nhận được khá nhiều, giá trị cũng khá lớn.

Về sự ổn định đội ngũ, chỉ cần những nhân viên quan trọng nhất, những nhân viên lâu năm nhất ổn định, thì những người khác sẽ không dễ rời đi. Người khác dù quyền chọn ít hơn một chút, thu nhập ít hơn một chút, họ cũng sẽ không rời đi. Vì họ không phải hoàn toàn vì tiền mà đến, mọi người đều mong muốn được làm việc trong một môi trường có thể làm thành AGI.

Vì vậy đối với nhân tài, vẫn có sức hút. Nhìn lại lịch sử, tỷ lệ nhân sự nghỉ việc của chúng tôi khá thấp, so với các đồng nghiệp trong ngành, tỷ lệ nghỉ việc của chúng tôi luôn thấp hơn. Nhưng đây vẫn là thách thức lớn nhất của chúng tôi, là thách thức duy nhất, có thể nói như vậy.

Những cái khác chỉ là vấn đề thời gian, cùng lắm khiến chúng tôi chậm nửa năm, chậm một năm, nhưng không đến mức không làm ra được. Chắc chắn không thiếu tiền, chắc chắn không thiếu nguồn lực, thực ra những thứ này đều không thiếu.

Vì vậy rất nhiều việc chúng tôi đang làm hiện nay, đều là để duy trì sự ổn định của đội ngũ. Ngoài điểm này ra, những cái khác tôi nghĩ chúng tôi đều có thể không cần, đều có thể tiết chế. Chúng tôi luôn rất tiết chế, không muốn trở thành đối thủ của bất kỳ hãng công nghệ lớn hay nhỏ nào trên internet.

Tôi mong tôi có thể tiếp sức cho họ, hay mong tôi có thể hỗ trợ mọi người làm việc này, mong có thể giúp mọi người làm việc này. Đây cũng là điều tôi vừa nói, là một phần ý nghĩa thương mại của chúng tôi. Với tiền đề là mọi người đừng để ý…

[01:15:12]

Thái độ với đối thủ: sẵn lòng giúp đỡ, chỉ tập trung vào mạch chính AGI

Với tiền đề này, chúng tôi rất sẵn lòng hỗ trợ, giúp đỡ bất kỳ ai, kể cả đối thủ cạnh tranh của chúng tôi, bao gồm Alibaba, Zhipu, Moonshot AI, để họ làm tốt hơn. Vì chúng tôi không mất gì cả, vốn dĩ chúng tôi cũng đã mở mã nguồn, mở mã nguồn cũng là không cố tình che giấu ranh giới, về cách làm, mong bạn có thể tái hiện được; nếu bạn không tái hiện được, cứ nói, tôi sẽ chỉ cho bạn cách tái hiện.

Đây vốn dĩ là một phần của mở mã nguồn, sẽ không vì bạn là đối thủ cạnh tranh mà khác đi. Tất nhiên, nếu là đối tác, tôi sẽ làm nhiều hơn. Nhưng về lợi ích lớn thì không có xung đột.

Khi giao tiếp với bên ngoài, thái độ của chúng tôi là: chúng tôi chỉ làm mạch chính của AGI. Đây chính là điều tôi vừa nói, GPT, CoT, Agent v.v., chỉ làm mạch chính. Lĩnh vực AI rất rộng, có nhiều thứ chúng tôi nghĩ không nằm trên mạch chính này, ví dụ 3D, tạo video, tôi nghĩ có thể không liên quan nhiều đến mạch chính của trí tuệ, chúng tôi sẽ không làm.

Còn một số thứ, ví dụ mô hình thế giới (world model), tôi nghĩ hiện tại cũng không liên quan nhiều đến trần trí tuệ, vì vậy chúng tôi cũng sẽ không làm. Nhưng người khác làm, chúng tôi cũng rất sẵn lòng giúp đỡ. Có thời gian hay không là chuyện khác, nhưng về lợi ích thì không có xung đột.

Chúng tôi cũng mong những công nghệ AI này có thể được ứng dụng vào các môi trường sản xuất khác nhau, có thể nâng cao hiệu suất sản xuất của xã hội, giúp các ngành nghề nâng cao hiệu suất sản xuất. Chúng tôi rất có động lực làm việc này.

Tôi có thời gian hay không, có nhân lực hay không, hay các bạn đồng nghiệp của chúng tôi có hứng thú hay không, đó là chuyện khác. Nhưng về lợi ích thì không xung đột, chúng tôi mong đạt được mục đích này. Và chúng tôi cho rằng, điều này không hề xung đột với thương mại, phần lợi ích tôi đáng được nhận vẫn không hề ít đi.

Tôi nghĩ chúng tôi giữ thái độ này trước nay, thực ra chúng tôi không vì thế mà nhận được ít đi bất cứ thứ gì, không vì tôi mở mã nguồn, không vì thiện chí của chúng tôi hay việc tôi hỗ trợ người khác mà khiến chúng tôi mất đi bất cứ điều gì. Ví dụ người dùng C-end năm ngoái, hiện tại người dùng C-end của chúng tôi vẫn khá nhiều, cũng khá ổn định.

Mảng B-end năm nay của chúng tôi, tôi nghĩ cũng khá lạc quan. Tôi không vì thiện chí của chúng tôi mà ảnh hưởng đến lợi ích thương mại của tôi, hoàn toàn không bị ảnh hưởng, ngược lại có thể còn được cộng điểm. Điều này nghe có vẻ phản trực giác, nhưng đúng là như vậy. Hay ngược lại nếu chúng tôi làm trái điều đó, thì tất yếu là, liệu tôi có thể nhận được nhiều hơn không? Không.

Có một câu hỏi là, hiểu thế nào về việc mô hình thế giới không liên quan đến việc nâng trần trí tuệ AI? Tôi nói ở giai đoạn hiện tại, đây là phán đoán của chúng tôi. Chúng tôi thấy, đây là lộ trình AI của riêng chúng tôi, không phải lộ trình duy nhất.

Theo hiểu biết, phán đoán của chúng tôi, hiện tại quan trọng nhất là làm tốt việc huấn luyện AI. Làm tốt huấn luyện AI không cần đến mô hình thế giới, thậm chí không cần đa phương thức (multimodal). Vì nếu bạn thu hẹp phạm vi huấn luyện AI lại một chút, không có đa phương thức, chỉ là có một phần nhiệm vụ bạn không làm được, nhưng không ảnh hưởng đến việc thuật toán có thành lập hay không.

Đa phương thức cuối cùng vẫn phải làm. Hiện tại quan trọng là huấn luyện, rồi bước tiếp theo cần giải quyết là vấn đề học liên tục, bước tiếp theo nữa là để nó tự đặt câu hỏi. Nhưng lộ trình này không có mô hình thế giới, không có tạo video.

Tạo video khi mới ra đời rất nổi, tưởng như đây là việc bắt buộc phải làm, nếu bạn không làm thì như thể bạn không phải công ty AI. Vì vậy tôi thấy khá lạ, thực ra bạn chỉ cần nghĩ kỹ một chút là thấy nó không liên quan gì đến lộ trình trí tuệ.

Thực tế, bạn cũng thấy, khi Sora vừa ra mắt tạo video, mọi người đều làm, công ty lớn nhỏ đều làm. Nhưng công ty nhỏ sau đó đều cắt bỏ nó. Nó không liên quan đến trần trí tuệ.

Nhưng về mặt thương mại, đó là một việc kinh doanh tốt, về mặt thương mại là một việc kinh doanh tốt. Nhưng điều này không liên quan gì đến trí tuệ. Chúng tôi sẽ không làm nó chỉ vì nó là một việc kinh doanh tốt, chúng tôi chỉ làm vì nó nằm trên lộ trình trí tuệ.

Tạo video, vì cái đó tương đối rõ ràng nên lấy nó làm ví dụ. Còn mô hình thế giới, ý nghĩa của mô hình thế giới không rõ ràng như vậy, vì rất nhiều thứ đều có thể gọi là mô hình thế giới.

Theo phán đoán của chúng tôi, mô hình thế giới và trí tuệ chưa phải việc quan trọng nhất ở giai đoạn hiện tại. Quan trọng nhất vẫn là huấn luyện AI, và sau huấn luyện AI thì làm sao giải quyết học liên tục. Đây là phán đoán của công ty chúng tôi, tất nhiên mỗi công ty có phán đoán khác nhau.

Khoảng cách với Mỹ: vấn đề nguồn lực, không phải con người

Tôi vừa nói vấn đề quan trọng nhất đối với công ty chúng tôi, là sự ổn định của nhân sự. Từ một góc độ khác, chúng tôi thiếu gì? Khoảng cách giữa chúng tôi và Mỹ là gì? Thực ra khoảng cách chỉ có một điểm, đó là nguồn lực.

Chúng tôi không có nhiều card như vậy, số lượng card của chúng tôi vẫn còn khá ít. Hiện tại chúng tôi có khoảng hai vạn card tương đương H, phần lớn trong đó mới đến, một hai tháng gần đây mới đến, có thể còn nhiều máy chưa đến.

Tổng năng lực tính toán năm ngoái của chúng tôi khá ít, năm nay chúng tôi đang rất tích cực mở rộng năng lực tính toán này. Hiện tại chúng tôi có khoảng hai vạn card tương đương H, những tháng tiếp theo chúng tôi sẽ có thêm một lượng lớn máy mua về, cơ bản đều là Nvidia.

Chúng tôi cần bao nhiêu card? Hiện tại chắc chắn là càng nhiều càng tốt. Trong phạm vi chúng tôi có thể chi trả, chắc chắn là càng nhiều card càng tốt, điều này không có gì phải bàn cãi. Vì vậy chiến lược hiện tại của chúng tôi là, với mức giá hợp lý, mua được bao nhiêu thì mua bấy nhiêu.

Nếu đợt gọi vốn này dùng hết, tôi có thể mua bao nhiêu card thì tôi mua bấy nhiêu. Tốc độ tiêu tiền không nằm trong kế hoạch, mà chỉ cần giá hợp lý, có bao nhiêu tôi mua bấy nhiêu. Nếu trong nửa năm tôi tiêu hết tiền, tôi nghĩ đó là việc tốt. Nếu trong nửa năm tôi tiêu hết tiền, thì quá hạnh phúc, quá lý tưởng.

Thực tế, tiêu hết nhiều tiền như vậy không dễ chút nào, không mua được nhiều card đến vậy, rất khó mua, mà giá cũng rất cao, cũng không thể nói là bỏ giá rất cao để mua, vẫn phải đảm bảo giá đó hợp lý.

[01:26:41]

Nếu tôi tiêu hết số tiền này trong nửa năm, có thể đó là lý tưởng nhất. Vì tôi biến tiền thành card Nvidia, chắc chắn tốt hơn để trong ngân hàng. Để trong ngân hàng, hiện tại có thể chỉ được lãi suất hai phần trăm gì đó. Nhưng mua card Nvidia, mười tháng là chi phí xã hội thu hồi.

Vì vậy chắc chắn bạn mua được bao nhiêu thì mua bấy nhiêu. Đầu tiên nếu mua được card rồi, sau đó tôi có nhiều không gian, thông qua cung cấp dịch vụ hay cách nào đó, tôi luôn có thể có dòng tiền. Tôi có dòng tiền thì tôi có thể sống, tôi không cần để rất nhiều tiền trong tài khoản.

Vì vậy, chúng tôi chỉ lo không mua được nhiều card đến vậy. Nếu có thể biến hết tiền thành card, chúng tôi sẽ không ngần ngại biến hết tiền thành card, và trong đó chúng tôi sẵn lòng trả một khoản phụ trội nhất định. Tức là chúng tôi sẵn lòng trả phụ trội để biến nó thành card, vì điều này quá đáng giá.

Dù sau khi trả phụ trội, thực ra chúng tôi cũng khó đạt được mục tiêu này. Vậy khách quan mà nói, nếu năm nay tôi có thể tiêu hết hai mươi tỷ (nhân dân tệ), thì đó là bộ phận thu mua của chúng tôi làm việc cực kỳ tốt rồi.

Khoảng cách giữa chúng tôi và Mỹ chủ yếu nằm ở nguồn lực, còn về con người thì khoảng cách không lớn. Về con người gần như không có khoảng cách, vì cùng là một nhóm người, có thể là người Trung Quốc. Người Trung Quốc khi ra nước ngoài, có người ở lại trong nước, có người ở nước ngoài, có người đi nước ngoài, không phải người thông minh mới đi nước ngoài, không có chuyện đó.

Thực ra nó khá ngẫu nhiên. Những người thông minh nhất, có thể không phải hơn một nửa đi nước ngoài, mà có ít hơn một nửa ở lại trong nước. Nhân tài trong nước không thiếu, mà cơ số của chúng tôi lớn, mỗi năm chúng tôi có bao nhiêu người bổ sung.

Nhân tài không phải nút thắt, nguồn lực mới là nút thắt lớn nhất. Nguồn lực trước tiên ảnh hưởng đến việc đào tạo nhân tài, vì năng lực tính toán ít, cơ hội thí nghiệm của chúng tôi ít hơn, vì vậy nhân tài của chúng tôi nhìn chung có khoảng cách so với Mỹ. Khoảng cách nhân tài, bản chất cũng là do khoảng cách năng lực tính toán.

Ở model lớn nhất hiện nay, thực ra chúng tôi không đủ sức huấn luyện. Chúng tôi dù tiêu hết năm mươi tỷ, thực ra cũng không huấn luyện nổi. Dù có xếp chồng lên cũng không dùng nổi. Model lớn nhất hiện nay, số tham số kích hoạt của nó khoảng tám trăm B; còn trong nước, chúng tôi vẫn ở quy mô vài chục B, model lớn nhất trong nước có thể chỉ vài chục B tham số kích hoạt, chênh nhau một bậc số lượng.

Nếu tôi muốn huấn luyện một model lớn tương đương AI (Mỹ), tôi cần khoảng năm vạn card GB300, hoặc Huawei 950, hai mươi vạn card. Đây mới chỉ là huấn luyện, còn chưa tính đến nghiên cứu. Vì vậy khoảng cách lớn nhất giữa chúng tôi và Mỹ nằm ở nguồn lực.

Nguồn lực hiện tại của chúng tôi, cũng như nguồn lực trong năm nay, những tháng tiếp theo, bao gồm cả nguồn lực sắp có, cũng chỉ đủ để chúng tôi làm thêm nhiều thí nghiệm ở quy mô vài chục B tham số kích hoạt. Vì ở quy mô vài chục B tham số kích hoạt, vẫn còn nhiều thí nghiệm phải làm, còn nhiều việc cần làm rõ. Chúng tôi có lẽ còn cách khá xa việc huấn luyện được model tám trăm B, thời gian còn rất nhiều, chưa có đủ card.

Vì vậy sự khác biệt giữa chúng tôi và Mỹ, tôi cho rằng là sự khác biệt về nguồn lực. Chúng tôi có thể cho rằng, tất cả khác biệt chúng ta thấy, bao gồm khác biệt nhân tài, khác biệt năng lực model, khác biệt ứng dụng, đều có thể coi là do khác biệt về nguồn lực năng lực tính toán.

Nguồn lực năng lực tính toán, một mặt là trong nước bản thân không mua được card, mặt khác là đầu tư vốn của chúng tôi ít hơn Mỹ. Chúng tôi đầu tư vốn ít hơn nhiều ở tầng này, dựa trên lương của nhân tài chiếm tỷ trọng rất thấp trong đó. Bạn xem mức lương họ trả một trăm triệu đô la kiểu đó, nhưng tính ra, lương nhân tài vẫn chiếm tỷ trọng rất ít, phần lớn vẫn là năng lực tính toán.

Vấn đề này hiện tại về cơ bản không có lời giải, vì sản lượng của Huawei cũng có hạn. Vì nếu tôi muốn huấn luyện model tám trăm B, tôi cần hai mươi vạn card Huawei mới nhất, đây mới chỉ là huấn luyện, còn chưa tính nghiên cứu.

Vì vậy hiện tại chúng tôi căn bản sẽ không nghĩ đến việc cạnh tranh với Mỹ ở quy mô lớn như vậy. Hiện tại chúng tôi đang thua, vẫn là ở quy mô chúng tôi có thể huấn luyện được, dùng được, tức là quy mô vài chục B tham số kích hoạt, cần làm tốt trước đã. Đợi bước tiếp theo có thêm nguồn lực, mới làm đến quy mô một trăm năm mươi B, một trăm năm mươi sáu B, hay hai trăm năm mươi B tham số kích hoạt.

Vì vậy chúng tôi và Mỹ ở đây có một khoảng cách hiện tại nhìn khó bù đắp. Bạn cứ cố huấn luyện model lớn như vậy cũng có thể huấn luyện được, nhưng bạn không thể làm nghiên cứu đầy đủ. Tức là trước khi huấn luyện, bạn không thể làm nghiên cứu đầy đủ.

Khoảng cách cuối cùng giữa các model: chi phí, thời gian, trải nghiệm

Còn một vấn đề mọi người khá quan tâm là, cạnh tranh của tất cả các model lớn, khoảng cách cuối cùng sẽ thể hiện ở đâu? Tức là khi model lớn cuối cùng có khoảng cách, nó thể hiện ở đâu? Tôi nghĩ khoảng cách này cuối cùng có thể không lớn lắm.

Khoảng cách cuối cùng nên là ba mặt: một là chi phí, một là thời gian, một là trải nghiệm người dùng. Ngoài ra, có thể không có khoảng cách gì khác.

Chi phí tương đối dễ hiểu, bạn cung cấp cùng một dịch vụ, cùng chất lượng dịch vụ, bạn có thể cung cấp với chi phí nào. Cùng một dịch vụ, không khác gì pin của BYD, trong cùng một lượng công nghệ, hãng khác có làm được với mức giá này không, tôi nghĩ đây là việc khá khó. Không dễ dàng làm được, chắc chắn là một rào cản.

Vì vậy chi phí chắc chắn là một khác biệt, tôi nghĩ chi phí có thể xếp vị trí thứ nhất về khác biệt. Rồi thứ hai là thời gian, bạn khi nào có thể làm được. Bạn sớm vài tháng, muộn vài tháng, nó sẽ khác nhau.

Thứ ba có thể là trải nghiệm, trải nghiệm người dùng vẫn có phần khác biệt. Ở giữa người dùng vẫn sẽ có sự gắn bó và rào cản người dùng nhất định, nhưng có thể nó không phải bản chất. Bản chất vẫn là thứ nhất chi phí, thứ hai thời gian. Bạn làm trước hay làm sau, bạn làm cùng một thứ, nhanh hơn hay chậm hơn một chút.

Vì sao chưa vội tập trung vào sản phẩm và thương mại hóa

Con đường thương mại hóa dài hạn và làm phong phú thêm các dòng sản phẩm, thì định giá thế nào? Chúng tôi nghĩ hiện tại điều đáng làm nhất, đáng bỏ công sức nhất, vẫn là làm AGI. Hiện tại phải đẩy AGI tiến lên nữa, tức là đẩy trần dưới của trí tuệ lên, đẩy về phía trước.

Điều này nên là ở giai đoạn hiện tại, có lợi hơn so với làm nhiều dòng sản phẩm hơn, cân nhắc nhiều con đường thương mại hóa hơn, hay nói cách khác nó là con đường có lợi ích lớn hơn. Tôi nghĩ trong một khoảng thời gian tới, cũng như bất kỳ khoảng thời gian nào trong quá khứ, có thể đều là như vậy. Tức là nếu nói chúng tôi

[01:39:46]

Chúng tôi đã dành rất nhiều thời gian để suy nghĩ, làm phong phú sản phẩm của chúng tôi có tác dụng gì không?

Thương mại hóa được thảo luận nửa năm trước là gì? Chắc chắn là tôi phải làm quảng cáo, rồi tôi phải làm thương mại điện tử, tôi phải nhúng thương mại điện tử vào sản phẩm, rồi phải kết hợp rất nhiều với đời sống địa phương. Chắc chắn là vô ích, vì thay đổi quá nhanh. Sản phẩm của bạn, nếu bạn ở phía trước, hay ở giai đoạn hiện tại của chúng ta, dành nhiều thời gian cân nhắc thương mại hóa, con đường thương mại hóa, thì vòng đời của dòng sản phẩm rất ngắn.

Tôi nghĩ chưa đến lúc đó. Đây là phán đoán của chúng tôi, hay ít nhất những kinh nghiệm trước đây đều ủng hộ phán đoán này. Trong ba năm qua, bất cứ lúc nào bạn nói với tôi về con đường thương mại hóa, dòng sản phẩm, đều là lãng phí thời gian, vì bạn không thể dự đoán, không thể tiên liệu tương lai. Những gì bạn có thể tiên liệu là rất ít.

Vì tôi thấy giờ rồi, không biết mọi người có muốn nghỉ giữa giờ không? Có muốn ăn chút gì không? Hay chúng ta tiếp tục nói chuyện? Mọi người không có ý kiến gì thì tôi tiếp tục nói.

Làm nghiên cứu AGI hàng đầu toàn cầu, và thương mại hóa vào thời điểm thích hợp. Tôi nghĩ chúng tôi luôn đang làm thương mại hóa, tôi cho rằng luôn đang làm thương mại hóa, chỉ là không lấy thương mại hóa làm mục tiêu. Chúng tôi lấy AGI làm mục tiêu, nhưng chúng tôi luôn đang làm thương mại hóa, vì vậy chúng tôi mới có người dùng C-end, mới có doanh thu B-end.

Từ kinh nghiệm lịch sử, chiến lược này đã thành công. Rồi tôi nghĩ, thời điểm chúng tôi chuyển hoàn toàn sang thương mại hóa, nên còn rất xa. Vì vậy điều lớn nhất vẫn là mở rộng công nghệ, rồi làm công nghệ thế hệ tiếp theo, giải quyết nhiều hơn những vấn đề hiện tại. Tỷ lệ lợi ích này, cá nhân tôi nghĩ, trong bất kỳ tương lai nào có thể thấy được, tập trung vào sản phẩm ở bất kỳ thời điểm nào cũng đều quá sớm.

Vì vậy đây cũng là một phần của sự tiết chế của chúng tôi. Tôi mong những cơ hội thương mại này để người khác làm, chúng tôi mong những cơ hội thương mại này, cách dùng AI này, là cả xã hội, tất cả đối tác của chúng tôi cùng làm, mọi người cùng chia sẻ lợi ích này, chứ không phải tôi muốn nuốt trọn một mình, điều đó là không thể. Hơn nữa chúng tôi không có nhiều tâm sức, tổ chức của chúng tôi cũng không có nhiều người để làm việc đó.

Về đối tác, thực ra đợt gọi vốn này của chúng tôi được chọn lọc kỹ càng. Về đề xuất hợp tác cụ thể như thế nào, nhưng trước tiên tôi nghĩ, lợi ích phải khá nhất quán, tức là những người có lợi ích nhất quán nhất với chúng tôi, ít thù địch nhất với chúng tôi, hay nói cách khác mong chúng tôi thành công nhất. Không phải ai cũng mong chúng tôi thành công, vì chúng tôi cũng đã làm tổn hại đến lợi ích của nhiều người khác.

Cơ chế ra quyết định: xây dựng trên sự đồng thuận

Về quy trình và cơ chế ra quyết định chiến lược lớn, công nghệ, kinh doanh của công ty. Về tổng thể công ty chúng tôi được xây dựng trên nền tảng đồng thuận, tôi không phải một mình quyết định mọi việc, mà tôi phải tìm kiếm sự đồng thuận. Quyền uy của tôi trong công ty, cũng như sức ảnh hưởng của tôi trong công ty, được xây dựng trên nền tảng đồng thuận.

Ví dụ tôi muốn làm một việc gì đó, chắc chắn tôi sẽ xem trước sự đồng thuận của mọi người là gì, mọi người có muốn làm hay không. Rồi có thể tôi sẽ có một số định hướng hay khuynh hướng, nhưng tác dụng định hướng này có giới hạn, tác dụng định hướng này rất có giới hạn, vẫn phải dựa trên nền tảng đồng thuận. Cơ chế ra quyết định này thực ra là một cơ chế tìm kiếm đồng thuận, không phải tôi có thể thúc đẩy việc gì đó, nó nhất định phải là đồng thuận, tôi mới có thể đẩy được, rồi tôi mới đi thúc đẩy.

Hiện tại tâm sức chủ yếu đều dồn vào DeepSeek. Chúng ta nghỉ năm phút. Tôi viết nhanh. Mọi người có thể mở mic, cho tôi ít phản hồi. Bên này không vấn đề gì, hay nghỉ năm phút trước đã.

So sánh với Anthropic, OpenAI, Google và vai trò của Trung Quốc

Khoảng cách hiệu quả cuối cùng của các model, nên là một sự tổng hợp. So sánh hiệu quả model, chắc chắn phải so sánh trên cùng một mức chi phí, đây mới là có ý nghĩa. Vì so sánh hai chiếc xe, cũng phải so sánh cùng phân khúc giá.

Model làm tốt và model làm kém, sự khác biệt này không nên nằm ở một khâu cụ thể nào, nó nên là tổng thể. Anthropic hiện đang vượt qua OpenAI, đây có phải là dài hạn không? Tôi nghĩ đây không phải dài hạn, chắc chắn đây là mang tính cực đoan (tạm thời). OpenAI và Google, trong tương lai nhiều khả năng vẫn sẽ luân phiên nhau đi lên, nên là luân phiên đi lên. Thực ra hiện tại lợi thế của Anthropic trong Code Agent không lớn đến vậy, thực ra không phải nó đè bẹp OpenAI.

Công ty chúng tôi có thể một nửa số người bình thường thấy OpenAI tốt hơn. Thực ra Anthropic có lợi thế đi trước, nhưng lợi thế đi trước này sẽ nhanh chóng biến mất, không phải một lợi thế nó có thể giữ lâu dài. Ba hãng này đều rất mạnh, trong ba hãng này thì ai có hiệu suất cao nhất, tiền họ đốt ít nhất.

Trong việc phân công vai trò chủ đạo toàn cầu về AI, vai trò rất có thể công ty Trung Quốc đảm nhận vẫn là sản lượng lớn nhất. Thông thường mà nói, năng lực sản xuất của chúng tôi lớn nhất, bao gồm cả chip, chip có thể năng lực sản xuất của chúng tôi lớn nhất, điện của chúng tôi nhiều nhất, vì vậy AI của chúng tôi rất có khả năng chúng tôi là một trong “Tam Thể” (ba thế lực lớn).

Người Trung Quốc sẽ làm sản phẩm này rẻ nhất, rồi về hiệu quả, dù sao hàng hóa nước ngoài, hiện tại rất nhiều hàng hóa Trung Quốc sản xuất so với Mỹ cũng không khác biệt quá nhiều. Sau này có thể AI cũng vậy, nhưng AI Trung Quốc sản xuất có thể giá sẽ rẻ hơn. Cái rẻ này có thể là rẻ có tính hệ thống, giống như các ngành khác Trung Quốc cung cấp dịch vụ rẻ hơn vậy.

Khi tôi làm việc gì, cách suy nghĩ tôi quen là: bây giờ tôi làm gì thì lợi ích lớn nhất? Nếu tôi thấy làm sản phẩm bây giờ có lợi ích lớn nhất, tôi sẽ đi làm sản phẩm; nếu tôi thấy thực hiện AGI trước có lợi ích lớn nhất, thì tôi sẽ đi làm AGI trước. Rõ ràng, tôi thấy hiện tại làm sản phẩm không phải lợi ích lớn nhất.

Hào CUDA của Nvidia đang sụp đổ: cơ hội lịch sử cho chip nội địa

Nếu là vấn đề tương thích chip nội địa, chip nội địa hiện tại thực ra có một cơ hội mang tính lịch sử. Vì trước đây tương thích chip nội địa có một khó khăn, gọi là hệ sinh thái không tốt. Tức là mua chip về nhưng không dùng được, vì nó không có hệ sinh thái như Nvidia. Vì vậy hào (moat) của Nvidia rất mạnh.

Nhưng việc này đang thay đổi. Hào CUDA của Nvidia đang bị phá vỡ nhanh chóng, nguyên nhân bị phá vỡ nhanh chóng có thể có ba mặt. Một mặt là hiện tại có AI, rồi có AI rồi, việc xây dựng hệ sinh thái này dễ hơn trước rất nhiều, vì AI có thể viết code.

[01:56:36]

Tôi có thể dùng AI để xây dựng hệ sinh thái này, có thể xây dựng ra một hệ sinh thái giống hệt Nvidia. Thứ nhất, vì có AI; thứ hai, có một số công nghệ mới. Ví dụ, nhà chúng tôi ra một công nghệ, gọi là TileLang, là một ngôn ngữ bậc cao.

Dùng ngôn ngữ bậc cao này để viết toán tử (operator) CUDA, có thể viết lại rất nhanh toàn bộ hệ sinh thái của Nvidia, kết hợp thêm AI, việc này nhìn không có trở ngại gì. Nhưng hiện tại vẫn chưa hoàn thành, chưa làm xong, tuy nhiên lộ trình công nghệ này nhìn không có trở ngại gì.

Còn một điểm, vì CUDA, Nvidia là tiến hóa từ card game, vì vậy ở rất nhiều chỗ, thiết kế card game và cài đặt card game là kế thừa liền mạch. CUDA tương thích với card game. Trước đây vì tính toán AI là một lĩnh vực rất nhỏ, nhỏ hơn thị trường card game, vì vậy như vậy là hợp lý.

Nhưng hiện tại thị trường card tính toán đã lớn hơn card game, không còn lý do gì để hai cái này phải gắn liền với nhau nữa. Xu hướng hiện nay là, sau này sẽ không còn gắn liền nữa. Vậy chip chuyên dụng, dù là Huawei hay bản thân Nvidia, sau này đều là chip chuyên dụng, không còn là những thứ trước đây nữa.

Trong bối cảnh này, vai trò của hệ sinh thái Nvidia ban đầu giảm mạnh. Vì đối với một chip chuyên dụng, không liên quan gì đến CUDA, nó không bị ràng buộc với CUDA. Hay nói cách khác, khi thiết kế chip này, đã tính đến việc xây dựng hệ sinh thái này rồi.

Có hơi phức tạp, nhưng dù sao, việc thay thế chip AI nội địa hiện tại có một cơ hội mang tính lịch sử. Chúng tôi cho rằng, trong vòng một năm tới, chúng ta sẽ thấy một việc được chứng thực: hệ sinh thái chip nội địa hoàn toàn không có vấn đề gì. Trước đây cho rằng có vấn đề, cho rằng không dùng được, không tốt, nhưng tôi nghĩ trong vòng một năm, chúng ta có thể đảo ngược nhận thức này, hay sẽ dùng thực tế để đảo ngược điều đó.

Phần cứng và hệ sinh thái của chip AI nội địa đều không có vấn đề gì, vấn đề duy nhất là năng lực sản xuất không đủ. Về tương thích chip nội địa, không có trở ngại, Nvidia không cản được. Nếu là trong một môi trường thương mại bình thường, tôi có thể mua được card Nvidia, thì việc thay thế nội địa là khá khó; nhưng trong tình huống không mua được card Nvidia, mọi người đều bất đắc dĩ, đều phải đi làm chip nội địa.

Trong bối cảnh này, việc tương thích chip nội địa không có trở ngại gì. Chip nội địa xây dựng hệ sinh thái giống, thậm chí tốt hơn Nvidia, tôi nghĩ không có trở ngại, nhưng vẫn cần thời gian.

Hiện tại chúng tôi chủ yếu hợp tác với Huawei. Huawei tự tương thích, nhưng chúng tôi cũng sẽ tham gia vào hệ sinh thái này, sẽ tham gia sâu vào Huawei. Vấn đề của Huawei vẫn là năng lực sản xuất không đủ. Ví dụ Huawei cấp cho chúng tôi năng lực sản xuất khoảng một vạn sáu nghìn card, các hãng công nghệ lớn có thể có mười mấy vạn card, chúng tôi một vạn mấy, tôi nghĩ tỷ lệ này cũng khá… nhưng đây có thể đã là toàn bộ năng lực sản xuất của Huawei rồi.

Vì vậy chúng tôi cũng không thể trông chờ vào việc dùng Huawei để huấn luyện model lớn hơn sau này, hay huấn luyện model có vài trăm B tham số kích hoạt, không thể trong năm nay. Nhưng năm sau, năm sau nữa có thể có cơ hội.

Việc tương thích chip Huawei, chúng tôi chủ yếu làm là hoàn thiện trình biên dịch ngôn ngữ bậc cao, làm tốt TileLang. Sau khi làm tốt TileLang, vấn đề có thể sẽ được giải quyết. Việc này nói ra khá phức tạp, nhưng chúng tôi đang làm, làm xong rồi giải thích sẽ rõ ràng hơn nhiều.

Bạn có thể hiểu, khi huấn luyện V3, nó vẫn dùng card Nvidia, nhưng đã không dùng hệ sinh thái Nvidia nữa. V3 dùng card Nvidia, nhưng không dùng hệ sinh thái Nvidia, mà chúng tôi trước tiên viết một trình biên dịch bậc cao gọi là TileLang, rồi dựa trên hệ sinh thái TileLang để hoàn thành mọi việc khác, gần như đã không phụ thuộc vào hệ sinh thái Nvidia nữa.

Chỉ cần tôi làm lại toàn bộ quá trình này trên chip Huawei, thì sẽ hoàn thành. Tôi nghĩ đây có thể là một sứ mệnh mang tính lịch sử, có thể hoàn toàn đảo ngược nhận thức trước đây rằng hệ sinh thái chip nội địa không tốt. Hiện tại thiên thời địa lợi cơ bản đã có đủ, chỉ còn thiếu thời gian. Tôi nghĩ trong vòng một năm, sẽ có nhiều người ở trên đó, hay nói cách khác đều hiểu rằng vấn đề này coi như đã giải quyết, còn lại là vấn đề năng lực sản xuất.

Tôi khá lạc quan về năng lực tính toán nội địa. Tôi nghĩ ở điểm này, Nvidia đang tự đào mồ chôn mình. Siêu node của Huawei, siêu node Huawei 950, về hiệu năng và giá cả có thể hoàn toàn thay thế GB200, GB300 của Nvidia. Giá chắc chắn sẽ đắt hơn, nhưng đắt có giới hạn. Đắt năm mươi phần trăm, đắt một trăm phần trăm, đắt một trăm phần trăm cũng không sao, đắt hai trăm phần trăm cũng không sao.

Ví dụ đắt một trăm phần trăm, tôi nghĩ đã có thể coi là về giá có thể thay thế được. Về nhiệm vụ cũng có thể thay thế được, tất cả nhiệm vụ GB300 làm được, siêu node Huawei đều làm được, độ trễ gì đều như nhau. Cái giá duy nhất là, bốn card Huawei mới bằng một card Nvidia, đồng thời chậm hơn hai năm.

Bốn card mới bằng một card, điều này có thể hiểu được. Chậm hai năm nghĩa là, bốn card Huawei 950 mới bằng một GB300. Chậm hai năm là chậm về thời gian. Siêu node Huawei 950 là hàng quý ba hoặc quý bốn năm nay, GB200 của Nvidia là hàng quý ba hai năm trước, chênh nhau hai năm.

Nvidia quý ba năm nay có thể đã có thế hệ mới. Vì vậy khoảng cách chip giữa chúng tôi và Mỹ, tôi cho rằng về hệ sinh thái sau này sẽ không còn khoảng cách nữa, nhưng về chip là gấp bốn lần cộng thêm hai năm.

Không tích hợp dọc, không tự làm chip

Còn có câu hỏi, chúng tôi có tích hợp dọc ngược lên thượng nguồn không? Tôi mong là không. Vậy có một câu hỏi là, chúng tôi có tích hợp dọc lên ứng dụng thượng nguồn không? Chúng tôi mong không cần cái đó, tôi mong người khác làm việc này. Tôi không mong mình ôm hết mọi thứ, tôi chỉ cần ăn một miếng là đủ, hay là miếng tôi giỏi nhất, hay miếng tôi cho là cốt lõi nhất, rồi liên quan trực tiếp đến người dùng

[02:08:18]

miếng đó, tôi nghĩ có thể đối với rất nhiều đối tác trong ngành của chúng tôi, họ quan tâm nhiều hơn đến những thứ tương tự… nên là ý nghĩa của người khác, không nên do tôi diễn giải.

Sau này chúng tôi có tự xây cụm máy tính (cluster) quy mô lớn không? Tôi nghĩ tự xây cụm máy tính quy mô lớn chắc chắn là cần, chúng tôi vẫn luôn tự làm việc này, tất cả các cụm máy tính của chúng tôi đều tự xây. Nhưng sau này có tự nghiên cứu chip không, tôi nghĩ tùy thuộc vào lợi ích ở đó lớn đến đâu, tùy thuộc vào lợi ích lớn đến đâu.

Tesla, nuôi dưỡng… việc này. Giả sử bạn là người vận hành nhà máy điện, bạn không nhất thiết phải tự chế tạo máy phát điện, đúng không? Thiết bị phát điện có thể do người khác chế tạo, chỉ cần giá hợp lý, tại sao bạn phải tự chế tạo?

Vì vậy, tôi mong không phải tự làm chip. Tôi mong có thể mua chip với giá hợp lý, như vậy tôi không cần tự làm chip. Tôi nghĩ rất có khả năng là như vậy, tức là gần đây lợi nhuận của chip Nvidia, chưa chắc đã có thể… tuy…

Chúng tôi mong chỉ làm một mảng. Tôi nghĩ việc AI này rất lớn, không cần tôi phải… tôi chỉ làm một mảng. Nếu tập trung, và tôi cho rằng lợi ích kinh doanh ở đây đã đủ lớn, ví dụ nếu thời đại AI sẽ sinh ra nhiều công ty ở mức nghìn tỷ, tôi nghĩ chúng tôi là một trong số đó.

Chúng tôi luôn chỉ làm một mảnh nhỏ, chúng tôi là một trong số đó đã không có vấn đề gì. Không cần tôi phải… tôi không phải là người đầy tự tin muốn làm ở khắp mọi nơi. Tôi nghĩ khả năng cao là khó thay đổi, và nếu bạn thực sự muốn làm cái khác, bạn vẫn sẽ có nhiều ý tưởng hơn, điều này sẽ… đây là thái độ của chúng tôi.

Ví dụ, ít nhất ở hai mảng kinh doanh To B, To C, hiện tại có thể thấy, ai thực sự muốn khép kín To C, ngược lại chúng tôi làm tốt hơn; ai thực sự muốn khép kín To B, có khi cũng chưa chắc làm tốt bằng chúng tôi. Bạn càng muốn có nhiều…

Rồi còn về To B, có thể nói thêm vài câu. Trần của kinh doanh To B nên vẫn là nhu cầu, trong bối cảnh công nghệ AGI, AI thế hệ hiện tại, nhu cầu To B nên có giới hạn. Nó sẽ tăng trưởng nhanh, nhưng không phải là một việc vô hạn, cuối cùng vẫn bị giới hạn bởi nhu cầu, không phải năng lực tính toán.

Trong điều kiện công nghệ hiện tại, doanh thu lớn đến đâu, cuối cùng vẫn phụ thuộc vào nhu cầu. Vì bạn nghĩ xem, tôi mười tháng đã thu hồi vốn, nếu có chỗ để đầu tư, tôi chắc chắn mua thêm một chút, là vì không có nhiều việc đến vậy. Đúng, nhu cầu nên sẽ ngày càng lớn, nếu công nghệ tiếp tục có đột phá, nhu cầu này sẽ ngày càng lớn.

Đa phương thức, Scaling, và năng lực của model thế hệ tiếp theo

Về bố cục đa phương thức, chúng tôi vẫn luôn làm. Đối với sản phẩm mà nói, nó rất quan trọng; đối với sản phẩm người dùng C-end mà nói, nó rất quan trọng. Nhưng đối với trần trí tuệ, nó là một thành phần, không phải bản thân mạch chính.

Nhưng là một thành phần, đa phương thức chúng tôi chắc chắn sẽ làm, và chúng tôi cũng đang làm. Chúng tôi sẽ ra mắt model liên quan, tức là V4, các phiên bản sau của V4 sẽ hỗ trợ đa phương thức nguyên bản (native). Nhưng đối với chúng tôi, đa phương thức đối với trí tuệ, nó là một thành phần, chúng tôi không coi nó là bản thân trí tuệ, mạch chính của nó giống như tìm kiếm vậy.

Tìm kiếm cũng là một thành phần, đa phương thức cũng vậy, theo hiểu biết của chúng tôi nó cũng là một thành phần. Scaling (mở rộng quy mô), chúng tôi tin vào Scaling, chắc chắn quy mô càng lớn, hiệu quả càng tốt, có thể mở khóa nhiều chức năng hơn. Điều ngăn cản chúng tôi Scaling thực ra chính là năng lực tính toán, không phải chúng tôi không muốn Scaling, mà là chúng tôi không có đủ năng lực tính toán để làm việc Scaling này.

Chúng tôi chưa chạm đến trần này ở đâu. Chúng tôi huấn luyện model lớn như vậy, không phải vì tôi nghĩ model lớn như vậy là đủ, mà là vừa hay tôi có nhiều nguồn lực đến vậy. Tôi tính theo nguồn lực của mình, model tôi có thể chấp nhận, có thể huấn luyện lớn đến đâu, là tính ra như vậy, không phải model này là đủ.

Hiện tại nhìn thì, lợi ích của model vẫn rất rõ ràng. Chúng tôi vẫn chưa có cơ hội chạm đến bức tường Scaling này, còn cách rất xa. Khi Silicon Valley nói Scaling đã đến giới hạn, đó là đối với Silicon Valley; đối với người Trung Quốc mà nói, chúng tôi còn cách đó rất xa, chúng tôi căn bản chưa Scaling đến mức đó.

Scaling này bao gồm Scaling dữ liệu, Scaling quy mô model, rồi chi phí huấn luyện. Chúng tôi còn cách khám phá trần của Scaling này khá xa, vì không có đủ năng lực tính toán đến vậy. Nhưng chúng tôi cũng sẽ không ngừng nỗ lực để đẩy trần Scaling này lên.

Bao gồm sau khi chúng tôi gọi vốn xong, chúng tôi có thêm năng lực tính toán, có thể huấn luyện model lớn hơn. Trong thời gian mua được, càng nhanh càng tốt; nếu có thể tiêu hết tâm sức trong nửa năm, đó là tốt nhất, thực ra không làm được.

Năng lực cốt lõi của model thế hệ tiếp theo, tôi nghĩ nó phải có khả năng học liên tục, thì mới xứng gọi là model thế hệ tiếp theo. Trước đó, những gì chúng tôi có thể làm là chi phí, rồi hiệu quả làm tốt hơn, tốc độ nhanh hơn. Nhưng để có đột phá lớn, nó phải có khả năng học liên tục.

Vì sao chúng tôi đặc biệt coi trọng hiệu suất chi phí

Rồi còn một câu hỏi, tại sao chúng tôi đặc biệt để tâm đến hiệu suất tính toán của model? Vì tôi thực sự phát hiện, không phải ai cũng để tâm đến hiệu suất của model này. Đối với một công ty thương mại hóa mà nói, không có động lực theo đuổi hiệu suất model, vì hiệu suất model cao hơn một chút…

Vì vậy, họ không có động lực lớn đến vậy để theo đuổi hiệu suất model cực cao. Vì vậy vài công ty khởi nghiệp, họ tự mình không… bạn không nghe họ nói chi phí thấp là điều họ theo đuổi, vì điều đó không phù hợp với lợi ích của họ. Chi phí thấp rồi, bạn còn kiếm được gì? Chi phí thấp rồi, bạn thu được ít tiền hơn.

Ngược lại, đây là một phần trong tầm nhìn của chúng tôi. Hay nói cách khác, tầm nhìn của chúng tôi, các bạn đồng nghiệp của chúng tôi để tâm đến chi phí này, vì đồng nghiệp của chúng tôi đều là người bình thường, họ hiểu rằng dùng cái này đều phải tốn tiền. Họ có sự đồng cảm này: người khác phải bỏ tiền ra dùng, vậy nếu rẻ hơn một chút, mức độ người khác có thể chấp nhận sẽ cao hơn.

Vì vậy rất nhiều đồng nghiệp của chúng tôi vẫn mong chúng tôi có thể đưa chi phí xuống thấp hơn nữa. Nhưng nếu bạn nói từ góc độ thương mại, thực ra sẽ không suy nghĩ như vậy. Về mặt thương mại mà nói…

[02:21:31]

Về chi phí hay góc độ thương mại mà nói, đây không phải ưu tiên số một.

Đối với công ty khởi nghiệp hay công ty lớn mà nói, chi phí dịch vụ này căn bản không cao. Nhưng tôi nghĩ chúng tôi mong nó nhẹ nhàng hơn, tôi mong nó là thứ có thể chi trả được, đặc biệt trong bối cảnh năng lực tính toán khan hiếm ở Trung Quốc như vậy, là thứ có thể chi trả được, có thể dùng trên card nội địa.

Tôi nghĩ chi phí thấp trước tiên là một kết quả. Model của chúng tôi thực sự luôn đi theo hướng chi phí thấp hơn về mặt kiến trúc, điều này liên quan đến tầm nhìn của chúng tôi. Chúng tôi còn nhiều phương pháp về thuật toán, chi phí vẫn có thể giảm thêm.

Chi phí giảm còn một nguyên nhân là, chi phí càng thấp, tôi càng có thể huấn luyện model lớn hơn, tôi càng có thể gánh vác model lớn hơn. Trong cùng năng lực tính toán, khi năng lực tính toán có hạn, nếu hiệu suất tính toán của tôi cao hơn, tôi có thể gánh vác model lớn hơn.

Đối với công ty lớn mà nói, họ không nhất thiết nghĩ như vậy. Đối với công ty lớn, nguồn lực có thể tăng thêm, có thể giải quyết bằng cách thêm nguồn lực. Nhưng chúng tôi sẽ ưu tiên cân nhắc hiệu suất chi phí.

Vì sao chỉ lấy lợi nhuận hợp lý: “ai lấy nhiều sẽ bị đánh bại”

Giá trị của model dữ liệu, phạm vi dữ liệu khá rộng, dữ liệu gần như bằng một nửa model. Tại sao tôi lại nghĩ, nếu tôi muốn, hay giả sử AI có thể chiếm hai mươi phần trăm GDP, thì nếu tôi muốn chiếm năm phần trăm trong đó, tuyệt đối không được. Vì tôi chắc chắn sẽ bị người khác đánh bại, nếu người khác nói tôi chỉ cần chiếm một phần trăm, thì sẽ đánh bại tôi.

Nếu mục tiêu của tôi là chiếm năm phần trăm GDP toàn nhân loại từ AI, về lý thuyết tính toán này vẫn thành lập. Bạn xem OpenAI, họ tính toán này có vẻ tính được, về lý thuyết không có vấn đề. Nhưng họ có một vấn đề, họ sẽ bị một người khác chỉ muốn chiếm một phần trăm đánh bại.

Vì một người khác nói, tôi làm tốt như vậy, nhưng tôi chỉ cần lấy một phần trăm GDP toàn cầu là được, vậy sẽ đánh bại họ. Lúc này nếu lại có người khác xuất hiện, nói tôi chỉ cần không phẩy một phần trăm là được, vậy sẽ đánh bại người trước đó.

Xét về vĩ mô, dù phần trăm này lấy từ đâu, giữa các bên không có khác biệt, đều như nhau. Người lấy nhiều sẽ bị người lấy ít đánh bại. Thậm chí bạn còn chưa thực sự lấy nhiều, chỉ cần tầm nhìn là lấy nhiều thôi, bạn đã thua trước rồi, bạn sẽ đối mặt khó khăn lớn hơn.

Thực ra ai cũng chưa lấy được tiền, chỉ là một tầm nhìn thôi. Tầm nhìn của bạn là lấy nhiều, bạn đã thua trước rồi. Thế giới này là như vậy.

OpenAI ban đầu nghĩ rằng họ thực sự có thể độc quyền thế giới này, nhưng thực tế họ sẽ gặp rất nhiều thách thức. Họ sẽ gặp thách thức, sẽ không dễ dàng như vậy. Mỹ từng gặp thách thức, sau này có thể sẽ gặp thách thức từ Trung Quốc, vì người Trung Quốc sẵn lòng lấy ít hơn, có thể cung cấp dịch vụ này.

Ở Trung Quốc, cũng sẽ có người sẵn lòng lấy ít hơn một chút. Nhưng cuối cùng ở đây sẽ có một sự cân bằng, vì bạn lấy quá ít thì logic kinh doanh của công ty không thành lập, sẽ không sống nổi. Vậy nên bạn lấy quá ít, bạn không sống được; bạn lấy quá nhiều, bạn sẽ bị người lấy ít đánh bại.

Vì vậy đối với chúng tôi, chúng tôi không phải muốn lấy lợi nhuận nhiều nhất, hay tính định giá tối đa hóa lợi ích, mà chỉ kiếm một khoản lợi ích hợp lý. Đây là một lời giải thích.

Tôi thực sự tin vào việc này, tôi không phải đi tìm lý do cho việc này, vì không cần thiết phải tìm lý do. Vốn dĩ tôi đã làm như vậy, tôi làm như vậy chắc chắn có lý do. Lý do này có thể không phải thông lệ thường thấy, nhưng tôi nghĩ vốn dĩ công ty chúng tôi đã không theo thông lệ.

Văn hóa tổ chức: từ trên xuống và từ dưới lên, không KPI, không tăng ca

Quản lý công ty chúng tôi thực ra có hai đường: một đường từ trên xuống dưới, một đường từ dưới lên trên. Từ dưới lên, là mỗi người tự nghĩ mình muốn làm gì, tự làm, không ai quản, không có KPI.

Từ trên xuống dưới, là chính thức, chúng tôi phải cùng làm một việc gì đó tập thể, cần toàn công ty phối hợp. Ví dụ chúng tôi phải ra mắt V4, thì phải phân công, mỗi người làm một phần. Đó là từ trên xuống dưới, chúng tôi gọi đó là chính thức.

Thông thường chúng tôi mong phần chính thức này không chiếm quá một nửa thời gian của nhân viên, tức là chính thức không nên quá một nửa. Họ còn một nửa thời gian, không bị sắp xếp, họ muốn làm gì thì làm. Đây là phạm vi nghiên cứu, để họ có thể tự khám phá, theo những gì họ thấy quan trọng mà khám phá, không có yêu cầu trước.

Chỉ cần công ty có thể hỗ trợ, năng lực tính toán của công ty có thể hỗ trợ họ làm, hay nói cách khác họ không cần năng lực tính toán, họ cần làm rất ít, thì căn bản không cần phối hợp. Vì vậy hiện tại chúng tôi là một phương thức tổ chức như vậy.

Có người thấy chúng tôi là từ trên xuống, có người thấy chúng tôi là từ dưới lên, tôi nghĩ cả hai đều đúng. Tiêu chuẩn của tôi là, chính thức tốt nhất không quá một nửa.

Chúng tôi thường cũng không tăng ca nhiều. Tăng ca có hai nguyên nhân. Thứ nhất là, làm nghiên cứu cần một môi trường tương đối thoải mái. Nếu bạn ép quá chặt, sẽ không làm được nghiên cứu. Vì bản thân đã cần bạn tự có hứng thú, bản thân bạn ngày thường phải tự suy nghĩ những vấn đề này, nên phải ở trong một môi trường tương đối thoải mái, mới có thể khám phá. Đây là nhu cầu xuất phát từ văn hóa nghiên cứu.

Thứ hai là, chúng tôi rất tập trung. Chúng tôi rất tập trung, nghĩa là những việc chúng tôi phải làm rất ít. Vậy tôi không có nhiều việc phải làm, tôi không cần tăng ca.

Điều này liên quan mật thiết đến sự tiết chế phía trước. Vì tôi tiết chế, nên rất nhiều lúc tôi không làm nữa. Vậy việc tôi phải làm ít đi, công việc mỗi người được chia cũng ít đi. Bạn thấy sản phẩm của chúng tôi có nhiều cái chưa hoàn thiện, chúng tôi cũng không bổ sung nó.

Đây cũng là một loại văn hóa của chúng tôi.

OK, vì câu hỏi rất nhiều, phần lớn tôi đã lướt qua. Mọi người còn câu hỏi gì thì đặt câu hỏi.

Phần hỏi đáp với nhà đầu tư

Mời các nhà đầu tư tự do mở mic trao đổi. Tôi nhắc nhở một chút, Liang Wenfeng đã nói rất nhiều thông tin khá nhạy cảm, mong mọi người tuyệt đối không lan truyền một số con số hay tình huống ra ngoài, bao gồm cả số lượng card gì đó. Đồng thời cũng tuyệt đối không quay màn hình để chia sẻ ra ngoài. Rất cảm ơn mọi người, mời ai có câu hỏi thì tự do mở mic trao đổi.

[02:34:59]

Học liên tục: mốc thời gian và khó khăn kỹ thuật

Anh có thể chia sẻ thêm về mốc thời gian khi nào học liên tục sẽ có đột phá không? Bao gồm nếu thực hiện được học liên tục, còn cần những đổi mới nào về kiến trúc, thuật toán, cũng như những yếu tố then chốt khác?

Ít người, cần nghiên cứu. Hiện tại cả thế giới đang nghiên cứu vấn đề này. Hay nói cách khác, đối với nhà đầu tư mà nói, hiện tại nhà đầu tư thấy nhiều nhất là AGENT; nhưng đối với những người làm nghiên cứu như chúng tôi, hiện tại thấy nhiều hơn là học tập, cũng như làm sao giải quyết vấn đề học tập này.

Thực ra học tập có thể không phải là một công nghệ, nó là một vấn đề. Làm sao giải quyết vấn đề này, có thể có nhiều loại công nghệ, không phải một công nghệ, không phải một thứ, sẽ là rất nhiều thứ. Hay nói cách khác, AGI được cấu thành từ rất nhiều thứ, cần model, rồi còn cần rất nhiều thứ khác.

Thực ra nó cũng là một vấn đề kỹ thuật và thuật toán. Vấn đề này khá chuyên môn, nhưng có nhiều phương pháp, cũng có nhiều nghiên cứu.

Hệ sinh thái mã nguồn mở: nhân tài, hợp tác và mô hình ma trận

Anh Liang, cảm ơn anh. Rất cảm ơn cơ hội hôm nay. Trước tiên tôi rất muốn hồi đáp và bày tỏ lòng biết ơn về điều anh nói lúc đầu khiến tôi rất xúc động, cũng cho chúng tôi nhiều cảm hứng. Anh nói rằng, đội ngũ này mang thiện chí lớn nhất, mong có thể đóng góp một chút cho sự phát triển của ngành này, cho xã hội, cho trí tuệ nhân loại.

Và trong việc này, mang theo sứ mệnh và tầm nhìn như vậy. Tôi nghĩ điều này khá gần với văn hóa doanh nghiệp của công ty chúng tôi phục vụ, đó là “tu thân đạt nhân” (tu dưỡng bản thân để giúp người khác thành đạt). Tôi hiểu sâu sắc vì sao anh dẫn dắt đội ngũ làm mã nguồn mở.

Tôi sẽ hình dung một cách hình tượng, giống như chúng tôi làm một hệ sinh thái thiên đường của loài chim từ một cây đa vậy, có lợi cho vạn vật mà không tranh giành, nhưng như vậy nó sẽ được mọi người chấp nhận, vạn vật cùng sinh cùng tồn tại, cuối cùng sẽ hiện diện khắp mọi nơi. Vì vậy, chúng tôi sẽ dùng khoản đầu tư lần này, để đồng thời bày tỏ sự công nhận, ủng hộ và tôn trọng đối với sứ mệnh và tầm nhìn này.

Đồng thời, chúng tôi cũng mong có thể trong tương lai của ngành này, đóng góp một chút sức lực ở những lĩnh vực mà chúng tôi giỏi. Về mặt này cũng muốn tiếp tục xin thỉnh giáo và thảo luận với anh. Ví dụ trong việc cùng xây dựng hệ sinh thái tương lai, hiện tại sau khi mở mã nguồn, trong ngành này có bao nhiêu đối tác, nhân tài, đội ngũ, có thể tái hiện tốt các model và thành quả mở mã nguồn hiện tại của chúng ta?

Trong bước tiếp theo muốn hệ sinh thái này phát triển hơn nữa, anh cảm thấy ở những mặt nào cần thêm nhân tài chất lượng cao để kết nối với model của chúng ta, tái hiện nó? Hay là hiện tại năng lực tính toán GPU tương đối khan hiếm? Sau này mọi người có phải sẽ theo hướng ma trận model không?

Ví dụ chúng ta làm model nền tảng lớn ngày càng tốt hơn, các đối tác, đội ngũ trong từng ngành làm một số model chuyên ngành theo chiều dọc trong ma trận model, hoặc một số model ứng dụng. Mảng này hiện tại phát triển thế nào? Trong tương lai từng bước, hai năm, ba năm, anh cảm thấy sẽ phát triển thành một hệ sinh thái như thế nào?

Đầu tư phần cứng AI: khấu hao, vòng đời công nghệ và bài toán Scaling

Đây là điều đầu tiên tôi muốn thỉnh giáo anh. Thứ hai, anh vừa chia sẻ với nhiều đối tác về những quan sát liên quan đến phần cứng AI. Như các công ty lớn toàn cầu về AI, có thể mỗi công ty đơn lẻ đều đầu tư ở mức hàng trăm tỷ đô la, Trung Quốc hiện tại nhìn có vẻ có một số điểm yếu về năng lực tính toán phần cứng.

Anh cảm thấy bao lâu nữa có thể giải quyết được, và hỗ trợ được sự phát triển AI của chúng ta, để năng lực tính toán và phần cứng không kéo chân AGI? Anh nghĩ đây có phải là sứ mệnh tất yếu phải hoàn thành của người Trung Quốc trong tương lai, chúng ta chắc chắn sẽ làm ra được, chỉ là vấn đề thời gian và đầu tư vốn?

Nhưng đồng thời, có thể sẽ có hai mặt. Một mặt, tiến bộ của model sẽ khiến việc trí tuệ hóa của model nâng cao, dẫn đến việc tiêu hao phần cứng, năng lực tính toán cho một nhiệm vụ đơn lẻ hay một số trí tuệ hóa đơn lẻ sẽ giảm dần, không cần vận hành năng lực tính toán lớn đến vậy nữa, vì tiến bộ của model sẽ giúp nó tính toán khéo léo hơn. Tôi không biết tôi hiểu có đúng không.

Mặt khác, tiến bộ công nghệ phần cứng sẽ giúp hiệu năng tính toán mạnh mẽ hơn. Đây có phải là hai con đường đi ngược chiều nhau gặp nhau không? Hiện tại nếu ở thời điểm này, dùng 960 hiện tại cũng vậy, hay H200 cũng vậy, để đầu tư năng lực tính toán ở mức hàng trăm tỷ đô la, anh vừa nói anh tính khấu hao ba năm, vậy vòng đời thực tế của nó, anh nghĩ công nghệ lặp lại là bốn năm năm?

Hay nói thẳng ra, liệu hiện tại các trung tâm năng lực tính toán xây cụm vạn card theo card hiện tại, có thể ba năm sau nó thực ra là năng lực tính toán tương đối không còn tiên tiến nữa? Có phải sẽ có hiện tượng là giai đoạn hiện tại đang xây dựng, chưa đủ dùng, nhưng ba năm sau lại trở thành năng lực tính toán chất lượng không cao, dư thừa không? Tôi không biết có hiện tượng như vậy không. Trên đây là hai câu hỏi xin thỉnh giáo anh, cảm ơn.

Cảm ơn. Câu hỏi đầu tiên là vấn đề hệ sinh thái.

Nhân tài AI: thiếu hụt chỉ mang tính giai đoạn

Hiện tại chúng tôi cảm thấy, có thể mỗi doanh nghiệp đều đối mặt với vấn đề nhân tài không đủ. Nhưng tôi nghĩ sự thiếu hụt nhân tài này sẽ mang tính giai đoạn. Ở giai đoạn đầu phát triển của mỗi ngành, nhân tài đều không đủ.

Bao gồm trước đây làm website, khi mới bắt đầu làm website, người làm website rất ít, nhân tài rất thiếu. Sau đó internet cần làm server-side, nhân tài cũng rất thiếu. Nhưng sự thiếu hụt nhân tài này đều rất nhanh được giải quyết, cũng chỉ hai ba năm, vì sẽ đào tạo ra một lượng lớn người.

Sự thiếu hụt nhân tài AI cũng mang tính giai đoạn, và chúng tôi đã thấy, được giảm bớt đáng kể. Vì người làm AI thực sự không thiếu, mỗi công ty sẽ rất nhanh đào tạo được người, đào tạo người rất nhanh. Vì vậy, toàn ngành AI, dù là hệ sinh thái, công ty model hay gì đi nữa, nhân tài đều không thiếu.

Thiếu nhân tài chắc chắn là hiện tượng ngắn hạn. Trong lịch sử chưa từng xảy ra tình trạng thiếu một loại nhân tài nào đó dài hạn. Tôi vẫn nhớ mười mấy năm trước nói phi công rất thiếu, chu kỳ đào tạo phi công rất dài, nhưng cũng rất nhanh được giải quyết.

Vì vậy mọi người không cần lo về vấn đề thiếu nhân tài. Và hiện tại các công ty làm model trong nước có hơi nhiều quá rồi, vẫn còn quá nhiều. Mỹ có thể chỉ có ba hãng, Trung Quốc làm model nền tảng nhiều quá.

Cuối cùng chắc chắn không cần nhiều người làm model nền tảng đến vậy, chắc chắn sẽ có sự thu hẹp (hội tụ). Vì vậy nguồn lực cũng khá phân tán, ở một mức độ nào đó cũng khá lãng phí. Chỉ là hiện tại mỗi hãng đều phải làm cùng một việc, nhưng Mỹ chỉ cần ba hãng làm, nguồn lực tập trung vào ba hãng này.

Quá nhiều công ty làm model nền tảng: sẽ phải hội tụ

[02:44:00]

Trung Quốc nguồn lực chia rất phân tán, mỗi hãng nhận được nguồn lực càng ít hơn. Tôi nghĩ điều này chắc chắn sẽ hội tụ, chắc chắn sẽ, nhưng cần một quá trình, cuối cùng chắc chắn sẽ hội tụ.

Không cần nhiều hãng đến vậy, vì hiện tại có thể mọi người nghĩ làm việc này tỷ suất lợi nhuận rất cao, nên nhất định phải tự làm. Nhưng khi họ phát hiện việc này có thể không có lợi nhuận cao đến vậy, có thể sẽ không làm nữa. Gần đây chắc chắn không có lợi nhuận cao đến vậy, tôi không tin có lợi nhuận cao đến vậy, vì điều đó không phù hợp quy luật khách quan.

Điều này có nghĩa là chúng ta đang ở một giai đoạn: nếu có một tỷ suất lợi nhuận rất cao, điều đó chắc chắn không phù hợp quy luật khách quan. Chúng ta nên có một lợi nhuận hợp lý. Vì vậy đây là hiện trạng của ngành, tôi nghĩ chắc chắn sẽ hội tụ.

Tức là phần mà mọi người làm model lớn, trong đó không phải một hãng nào độc chiếm, nói “tôi muốn lấy hết toàn bộ lợi nhuận”, điều này chắc chắn không được. Nếu mỗi hãng chỉ lấy lợi nhuận hợp lý, thì thực ra không cần nhiều người làm model lớn đến vậy. Trung Quốc cuối cùng có ba bốn hãng cạnh tranh, cạnh tranh như vậy đã đủ khốc liệt rồi, giá đã đủ để đánh cuộc chiến giá.

Model lớn có thể không nói hai hãng lớn, hai hãng nhỏ, có thể đã khá đủ rồi.

Về hệ sinh thái, tôi không có nhiều ý tưởng lắm. Chúng tôi mong có thể hỗ trợ nhiều người hơn, nhưng chúng tôi không có nhiều tâm sức đến vậy. Chúng tôi có ý nguyện này, và sẽ không có xung đột lợi ích, nhưng chúng tôi có làm hay không lại là chuyện khác.

Nhưng ít nhất ở đây không có xung đột lợi ích, chúng tôi mong hợp tác cùng thắng. Trước tiên, tôi tuyệt đối không cho rằng công ty model lớn có thể lấy phần lớn lợi nhuận, điều này không thể, vì có nhiều công ty model lớn như vậy, hiện tại khoảng cách không cần lớn đến thế.

Khoảng cách chỉ có hai thứ: một là thời gian, một là chi phí. Vì vậy không đến mức có hãng nào siêu lợi nhuận, tôi nghĩ không đến mức siêu lợi nhuận. Người kiểm soát chi phí tốt thì kiếm được nhiều hơn một chút, người kiểm soát chi phí kém thì kiếm được ít hơn một chút, chỉ vậy thôi.

Câu hỏi đầu tiên đã trả lời chưa? Câu hỏi đầu tiên đã trả lời xong chưa?

Mọi người tin rằng sau này chắc chắn sẽ có nhiều người có thể… tương lai thực ra sẽ… vòng lặp dữ liệu ứng dụng của mọi người này…

Hiện tại có nghe rõ không? Cảm ơn. Đúng, cảm ơn câu trả lời của anh, cũng rất sâu sắc hiểu và tôn trọng định vị chiến lược hệ sinh thái trong ngành của anh. Ví dụ về mảng dữ liệu, hiện tại dữ liệu công khai, tin rằng các công ty model đều đã có thể có kênh để lấy được, phương pháp này chắc không thành vấn đề, chỉ là vấn đề thời gian và chi phí.

Dữ liệu thật và dữ liệu mô phỏng: giới hạn hay không giới hạn trí tuệ

Vậy sau này ví dụ khi thực sự đến AGI, có thể mọi người có một giả thiết hay trạng thái lý tưởng là, model có thể tự lặp lại, tự học, tức là tự huấn luyện chính mình. Vậy về mảng dữ liệu này, anh cảm thấy dữ liệu mô phỏng có thể dùng được không, hay dữ liệu thật chất lượng cao nhất?

Nếu vẫn cần dữ liệu thật, thì có phải sẽ giới hạn trí tuệ của AI này vẫn nằm trong… ở tầng này, vì nó phụ thuộc vào dữ liệu thật mà con người từng có? Hay có thể vượt qua trần này, thông qua dữ liệu mô phỏng, dữ liệu giả lập, dữ liệu tự tạo v.v., để khiến năng lực của model có thể vượt qua toàn bộ dữ liệu thật trong quá khứ của con người…

Tôi nghĩ là có thể vượt qua. Tôi nghĩ có hai điểm có thể vượt qua, ví dụ cờ vây, AlphaGo đã đi một nước cờ mà con người chưa từng thấy. Tức là nó chắc chắn có thể vượt qua con người trong một phạm vi nhất định.

Nhưng nó có thể cũng có trần, nó có thể cũng có giới hạn. Nhưng giới hạn này hiện tại chúng ta chưa thấy được. Chúng tôi cho rằng, nói chung là nó có thể vượt qua dựa trên nền tảng kiến thức mà con người đã có, những gì chúng ta đã có thể diễn đạt được.

Vậy mảng này sau này dựa vào dữ liệu thật hay dữ liệu mô phỏng? Nó có work không?

Không phải là có nhiều phương pháp.

Được, cảm ơn. Cũng chiếm dụng thời gian của anh rồi, cũng muốn tiếp tục thỉnh giáo về vấn đề AI Infra vừa rồi.

Câu hỏi thứ hai là gì? Có chút…

AI Infra: năng lực tính toán hôm nay có lỗi thời sau vài năm không

Được rồi, tôi đơn giản nhắc lại nhanh. Là muốn thỉnh giáo, về mảng AI Infra này, tương lai tin rằng năng lực tính toán hiện tại mọi người đều đang đầu tư ở mức hàng trăm tỷ đô la. Vậy mảng này, có thể chúng tôi tin rằng người Trung Quốc tương lai về phần cứng là sứ mệnh tất yếu, sẽ có một ngày có năng lực tính toán hiệu suất cao, nhưng có thể trong quá trình thực tế, hiện tại vẫn là một điểm nghẽn.

Vậy tương lai có phải sẽ là hai mặt đi ngược chiều nhau? Một mặt là sau khi năng lực model lặp lại, nó chuyển từ tính toán cứng sang tính toán khéo léo, nên yêu cầu và tiêu hao năng lực tính toán cho mỗi model hay nhiệm vụ sẽ giảm dần ở biên. Mặt khác, ví dụ như năng lực của card phần cứng nâng cao, sẽ khiến tốc độ lặp lại ngày càng nhanh, hiệu suất mỗi card nâng cao.

Vậy trong quá trình này sẽ là hiện tượng như thế nào? Có phải là, hiện tại xây cụm vạn card, mua H200 hay 960, nhưng qua hai ba năm, nó lại trở thành một năng lực tính toán tương đối không còn tối ưu, tương đối lại trở thành một thiết bị cũ kỹ?

Card Nvidia về cơ bản có thể tính khấu hao năm năm. Card Huawei nhiều nhất tính khấu hao ba năm thôi. Huawei 950 năm nay dùng còn khá tốt, năm sau dùng tôi nghĩ vẫn ổn, sau nữa dùng tôi nghĩ có lẽ thực sự sẽ quá tốn điện.

Vòng đời card Huawei chắc chắn sẽ ngắn hơn một chút, vì vốn dĩ nó đã chậm hơn Nvidia hai năm. Nhưng tôi nghĩ khoảng cách không lớn đến vậy.

Nếu B200 hiện tại mua được bao nhiêu, tôi nghĩ đều đáng giá. Giả sử đối với Tencent mà nói, Alibaba mua được thì xem số lượng; nếu giá hợp lý mua được, chắc chắn đều đáng giá. Nhưng không phải lúc tính chi phí, tin rằng không mua được.

Chiến lược “lạc hậu nhưng hiệu quả”: đi sau Mỹ nhưng dùng ít tài nguyên hơn

Hiểu rồi. Năng lực tính toán của chúng tôi lạc hậu, đây là một thực tế. Thực tế này được hóa giải qua ba mặt. Mặt thứ nhất là chúng tôi chấp nhận model lạc hậu, chúng tôi chỉ có thể dùng model nhỏ hơn họ, nhỏ bao nhiêu là vấn đề huấn luyện. Chúng tôi phải chấp nhận một mức độ lạc hậu của model nhất định, cũng như kích thước model nhỏ hơn.

Lạc hậu này có một cái lợi, lạc hậu nghĩa là bạn có nhiều thời gian hơn, bạn có một số công nghệ, rồi như vậy bạn có thể dùng phương pháp khéo léo

[02:53:59]

Cảm ơn.

Vì vậy khoảng cách giữa chúng tôi và Mỹ có thể là lạc hậu Mỹ 12 tháng, lạc hậu Mỹ có thể 12 đến 18 tháng, hay nói là 6 đến 12 tháng. Nói đơn giản, là lạc hậu Mỹ hai năm, nhưng chỉ dùng một phần hai mươi năng lực tính toán của Mỹ để làm được việc đó.

Câu chuyện này là lạc hậu một đến hai năm, nhưng chỉ dùng một phần hai mươi năng lực tính toán. Vậy sau này chúng tôi phải viết lại câu chuyện này, tức là chúng tôi dùng một phần mấy năng lực tính toán của họ, nhưng rút ngắn thời gian này hơn nữa, rút xuống 6 tháng, 3 tháng, tôi nghĩ đây là một mục tiêu.

Và chúng tôi thậm chí có thể vượt qua họ ở một số mặt. Nhưng trong tình huống tổng năng lực tính toán vẫn còn khoảng cách theo bậc số lượng, vượt qua toàn diện là không thực tế; nhưng ở một số điểm trọng tâm, có sự lựa chọn, chúng tôi có một số chỗ có thể vượt qua.

Hiểu rồi, cảm ơn anh Liang. Đầy tin tưởng, cùng nhau cố gắng. Thời gian cũng nhường cho các đồng nghiệp khác, cảm ơn.

Continuous Learning và Recursive Improvement

Cảm ơn chia sẻ vừa rồi. Bên tôi có hai câu hỏi kỹ thuật nhanh. Trong lúc nói về lộ trình công nghệ vừa rồi, có nhắc đến vấn đề cốt lõi cần giải quyết ở giai đoạn này là học liên tục, cũng là điểm nóng nghiên cứu ở nước ngoài hiện tại, gọi là Recursive Improvement (tự cải tiến đệ quy). Muốn thỉnh giáo, hiện tại nhìn thì, khó khăn lớn nhất về mặt công nghệ là gì? Từ góc nhìn của anh, khi nào có thể giải quyết được? Đây là câu hỏi thứ nhất.

Câu hỏi thứ hai, anh vừa nói trước tiên giải quyết học liên tục, rồi mới làm trí tuệ (thông dụng). Tôi cũng muốn hiểu, phía sau việc anh nói như vậy có căn nguyên công nghệ gì? Có phải có nghĩa là sau khi giải quyết xong vấn đề học liên tục, DeepSeek sau này cũng sẽ làm trí tuệ thông dụng? Hai câu hỏi này xin thỉnh giáo.

Vấn đề công nghệ thực ra giải thích hơi… khó khăn của nó nằm ở chỗ, hiện tại chúng tôi vẫn chưa tìm ra phương pháp thực sự hiệu quả. Cả thế giới vẫn chưa tìm ra phương pháp tốt, mọi người đều đang mò mẫm. Vì vậy hiện tại vẫn ở giai đoạn khám phá, tức là chưa biết ai có thể mò ra phương pháp giải quyết vấn đề này tiếp theo.

Hiện tại vẫn ở giai đoạn khám phá. Chúng tôi có nhiều ý tưởng, có nhiều suy nghĩ hiện tại nhìn có triển vọng, nhưng đều chưa làm thông được. Đúng, đây là câu thứ nhất.

Câu thứ hai là, hiện tại nội bộ chúng tôi khá coi trọng một câu chuyện này: huấn luyện phiên bản model tiếp theo của chúng tôi, chúng tôi mong nó có thể giúp cho việc phát triển của chính chúng tôi. Nó có thể nâng cao hiệu suất của DeepSeek, model của chúng tôi trước tiên là nâng cao hiệu suất công việc của chính DeepSeek, để khi chúng tôi phát triển phiên bản model tiếp theo, nó có thể hỗ trợ nhiều hơn.

Hay nói đơn giản hơn, model chúng tôi làm, mục tiêu số một không phải là để mọi người dùng tốt, mà là để chính chúng tôi dùng tốt. Trước tiên là có ích cho chính chúng tôi. Sau khi có ích cho chính chúng tôi rồi, tôi phát triển phiên bản model tiếp theo sẽ nhanh hơn.

Rất nhiều người trong nội bộ chúng tôi nghĩ như vậy: trước tiên phải có ích cho chính chúng tôi, trước tiên là dùng cho chính chúng tôi. Rồi đây là cách nhanh nhất để thực hiện AGI. Khi chúng tôi tự dùng tốt, nghĩa là có thể người khác cũng dùng tốt, nhưng trước tiên phải đảm bảo chúng tôi tự dùng tốt.

Câu chuyện này có hơi kỳ lạ, nhưng đúng là rất nhiều người nghĩ như vậy. Chứ không phải nói người dùng dùng tốt, tôi mong nó giúp ích cho chính chúng tôi nhiều hơn, như vậy chúng tôi có thể thực hiện AGI, sẽ nhanh hơn nhiều. Vì vậy logic của câu chuyện này là, đến để giúp chúng tôi thực hiện AGI.

Nhưng trước tiên là giúp chúng tôi thực hiện. Chúng tôi thực hiện AGI cần sự giúp đỡ này. Hiện tại rất chắc chắn, chúng tôi thực sự cần trí tuệ nhân tạo để giúp chúng tôi thực hiện AGI. Dù nó chưa tự chủ làm việc, nó vẫn chỉ là phối hợp với con người, nhưng đã rất có ích rồi.

Câu hỏi thứ hai, vừa nhắc đến, trước tiên giải quyết vấn đề học liên tục, rồi mới bước vào trí tuệ thông dụng. Đây có phải là một dự đoán của anh về sau này? Muốn hiểu căn nguyên công nghệ phía sau là gì? Tại sao trước tiên phải giải quyết học liên tục, rồi mới bước vào trí tuệ thông dụng? Anh hiểu về mảng này sau này thế nào?

Vì giải quyết vấn đề học liên tục này, có thể tăng tốc đáng kể tiến độ nghiên cứu phát triển của chúng tôi. Nếu tôi trước tiên giải quyết được vấn đề học liên tục này, thì vấn đề trí tuệ thông dụng không còn là vấn đề nữa. Tôi có sự hỗ trợ của AI, nếu AI có thể học liên tục, năng lực của nó nên rất mạnh.

Năng lực của Agent hiện tại bị hạn chế, là vì nó không thể học liên tục, nó không thể học liên tục một cách hiệu quả. Nếu nói có thể làm xong học liên tục trước, thì năng lực của AI sẽ rất mạnh, nó có thể nâng cao rất lớn hiệu suất nghiên cứu của chính chúng tôi.

Học liên tục làm xong trước, trí tuệ thông dụng có thể sẽ rất dễ dàng, dùng nó để làm sẽ rất dễ. Vì vậy tôi nói đây là một kết quả mà chúng tôi khá mong muốn thấy, chúng tôi sẽ tương đối đỡ tốn sức, chúng tôi sẽ nhẹ nhàng. Nếu không hiện tại bạn phải tự tay làm trí tuệ thông dụng, đó là một việc tương đối vất vả, khổ sở, là một việc thâm dụng dữ liệu, thâm dụng nhân lực, hiệu suất chi phí cũng không cao.

Cảm ơn chia sẻ.

AGI còn cần bao lâu, phần cứng nội địa có đuổi kịp

Câu hỏi nhỏ, câu hỏi trên mạng anh xem một chút nhóm chat. Cảm thấy AGI còn cần bao lâu nữa? Phần cứng trong nước có thể đuổi kịp trong khoảng thời gian này không?

Trong cửa sổ chat của cuộc họp Zoom.

Được, cái này tôi xem rồi.

Huawei 950, hiện tại Huawei cấp cho chúng tôi một vạn sáu nghìn card, cái này chắc có thể công khai nói được. Nên là kém một bậc số lượng so với các hãng công nghệ lớn trên internet.

[03:05:48]

Sự theo đuổi của các hãng công nghệ lớn sẽ lớn hơn, đối với các hãng lớn mà nói, họ càng cần hơn. Đối với chúng tôi, chúng tôi có thể mua một số card không hợp quy. Vì vậy mục đích chúng tôi mua Huawei 950, vẫn là mong giúp Huawei làm tốt hệ sinh thái này.

Một vạn sáu nghìn card Huawei 950, chỉ tương đương bốn nghìn card dòng B (Nvidia). Vì vậy không phải một số lượng rất lớn, ý nghĩa không lớn lắm. Không đủ để huấn luyện một model thế hệ tiếp theo, chỉ đủ huấn luyện model thế hệ hiện tại này của chúng tôi, không đủ huấn luyện model thế hệ tiếp theo.

Nhưng có thể để Huawei trước tiên làm tốt cái này, đó là về Huawei 950.

Rồi, AGI còn cần bao lâu nữa? Phần cứng trong nước có thể đuổi kịp trong khoảng thời gian này không?

Tôi nghĩ trong sự nghiệp AI này, trong việc AI này, trong nước một hai năm có thể làm được tương đương nước ngoài, hay có thể năm nay đã có thể làm được ngang bằng model nước ngoài. Trong việc AI này, với phương thức, mô hình hiện tại, không phải việc quá khó, nên năm nay nên có thể làm được. Nhưng đó vẫn chưa phải AGI.

[03:05:48]

Tôi ít nhất nghĩ rằng, nó phải có khả năng học liên tục.

Phần cứng trong nước có thể đuổi kịp trong khoảng thời gian này không? Tôi nghĩ về phần phần cứng trong nước có thể cần vài năm. Trong nước trước tiên phải giải quyết vấn đề hệ sinh thái, vì hệ sinh thái là vấn đề niềm tin. Giải quyết xong vấn đề hệ sinh thái, rồi giải quyết vấn đề năng lực sản xuất, tôi nghĩ nên có thể giải quyết dần dần.

Tôi không tin rằng năm năm sau chúng ta vẫn còn kẹt ở vấn đề năng lực sản xuất. Hiện tại chắc chắn đang kẹt ở vấn đề năng lực sản xuất, năm nay, sang năm, năm sau nữa, tôi nghĩ có thể vẫn kẹt ở vấn đề năng lực sản xuất, nhưng năm năm sau, tôi nghĩ có thể không còn nữa, tôi vẫn khá lạc quan.

Cơ cấu tổ chức và quy mô nhân sự trong tương lai

Câu hỏi thứ hai là, suy nghĩ về cơ cấu tổ chức tương lai, quy hoạch quy mô nhân sự. Trước tiên, cơ cấu tổ chức trước đây của chúng tôi rất phân tán, vì không có cơ cấu tổ chức. Nhưng khi nhân sự của chúng tôi mở rộng thêm, những điều này chắc chắn cần có sự thay đổi.

Hiện tại chỉ có thể nói, ở đây sẽ cần làm rất nhiều thay đổi, nhưng hiện tại khó mà diễn đạt hết ngay được. Cuối cùng vẫn cần chia thành các phòng ban khác nhau, một số phòng ban chúng tôi cần xây dựng cơ cấu phân cấp khá nghiêm ngặt. Một số phòng ban khác, có thể vẫn duy trì cơ cấu tương đối lỏng lẻo, phẳng.

Cùng với sự gia tăng nhân sự, chúng tôi sẽ làm điều chỉnh này. Nên là chúng tôi phải làm điều chỉnh này ngay, vì tôi đã đang làm điều chỉnh này rồi. Nếu không làm điều chỉnh này, rất nhiều việc sẽ không thể tiến triển được. Đúng là có nhiều phòng ban, nên có cơ cấu tổ chức.

Nhịp độ ra phiên bản và khoảng cách với model lớn nhất

Rồi mọi người còn hỏi, CV là trước phiên bản nào đúng không? Tôi nghĩ hiện tại, chúng tôi vừa ra mắt phiên bản GCV4 này trên mạng, vẫn còn khá thô sơ, năng lực còn cần nhiều thời gian.

Với tôi, nhịp độ ra phiên bản tương đối thoải mái, đại khái là hai ba tháng ra một phiên bản. Lần ra phiên bản trước có thể là cuối tháng Tư, vậy lần tới có thể là cuối tháng Sáu, đại khái là vậy. Nếu không có ý ngoài, nên sẽ ngày càng tốt hơn qua từng phiên bản.

Ở quy mô 50B tham số kích hoạt, tôi cảm thấy cuối cùng chúng tôi so với làn sóng mã nguồn mở hiện tại sẽ không có khác biệt quá lớn. Về tốc độ suy luận và hiệu quả, tôi cảm thấy có thể sẽ không có khác biệt quá lớn.

Nhưng so với model kích thước lớn của họ, model chưa công khai đó, khoảng cách nên vẫn khá lớn. Khoảng cách đó nên là, tham số kích hoạt của chúng tôi chắc chắn chưa làm được, đó nhất định phải là một model kích thước lớn hơn, có thể ví dụ 150B.

Vậy 150B, tôi nghĩ theo tiến độ huấn luyện hiện tại của chúng tôi, năm nay, lạc quan thì cuối năm nay có thể bắt đầu huấn luyện, ít nhất là tháng Tư sang năm… khoảng cách vẫn khá lớn. Đúng, đây là khoảng cách với OCE (?).

Scaling có trần không, và con đường tới trí tuệ hiện thân

Chào anh, tôi có một câu hỏi, tức là anh thường nói quá trình thực hiện AGI này là một quá trình dần dần, chứ không phải sẽ có một sự đột biến. Vậy tôi có thể hiểu, đây là một quá trình không có điểm tới hạn không?

Nó không có điểm tới hạn, nhưng nó là phi tuyến tính. Hiện tại chúng tôi khá tin vào một câu chuyện là, AI có thể tăng tốc nghiên cứu AI, AI có thể tăng tốc nghiên cứu AI. Tức là nó không phải tuyến tính, vì bạn có thể dùng AI để tăng tốc nghiên cứu của chính mình, vì vậy về sau nó có thể là phi tuyến tính.

Hiểu rồi. Vậy hiện tại theo anh, kết luận phía trước có thể là, mô hình ngôn ngữ tiếp tục scaling là đủ, là đủ, để đạt đến trạng thái này.

Chỉ có thể nói là scaling của mô hình ngôn ngữ, hiện tại tôi chưa thấy có trần. Trình độ trí tuệ hiện tại của chúng tôi, hay tạo ra trình độ trí tuệ của Mỹ, đều chưa thấy có trần.

Hiểu rồi. Vì tôi rất tò mò, anh nói, đối với Mỹ mà nói, model kích hoạt 800B này, nói là họ có thể huấn luyện được nhưng cũng khó dùng, nên chỉ có thể huấn luyện ra thôi, cũng khó đưa ra cho mọi người dùng, vì thực sự khá đắt.

Trước đây tôi khá tò mò một điểm là, con người có năng lực ngôn ngữ mới gần mười vạn năm, còn phía trước có thể đã tiến hóa ba mươi bảy tỷ năm. Nhưng trong việc huấn luyện AI này, có thể thứ tự đó có thể đảo ngược, nhưng cuối cùng có thể vẫn phải đi vào cái gọi là, cũng không nhất định gọi là mô hình thế giới, mà vẫn phải đi vào mô hình vật lý hay phần hiện thân, đúng không? Tức là sau trần này?

Đúng, tôi nghĩ hiện thân chắc chắn vẫn phải đi vào, cuối cùng hiện thân. Vì vậy đối với công ty chúng tôi mà nói, tự nhiên, có thể điểm cuối đều là hiện thân. Vì đối với một người bình thường mà nói, nhu cầu của họ không phải là máy tính, đúng không? Vì người bình thường, ăn uống vui chơi, ăn mặc đi lại, họ không cần máy tính.

Cái họ cần là, vì vậy họ vẫn cần trí tuệ hiện thân để giải quyết nhu cầu nhân lực cụ thể. Nếu mục tiêu là giải quyết nhu cầu nhân lực, thì hiện thân tôi nghĩ là không thể tránh khỏi.

Hiểu rồi. Vậy về mặt giai đoạn mà nói, giả sử đạt đến tương tự, cũng không nhất định là điểm tới hạn, tức là có thể tự tiến hóa tương đối tốt, hay gần với điểm SV (?) đi lên đó, tôi rất tò mò sẽ mong trạng thái AI này khi ứng dụng thực tế, điều đầu tiên là…

Có thể sẽ khác với hiện tại. Chúng tôi mong nó có thể, giả sử là nếu không có hiện thân, thì định nghĩa AGI của chúng tôi, hay chúng tôi mong AGI có thể làm gì? Nó có thể giúp tôi lặp lại phiên bản model tiếp theo, có thể giúp tôi lặp lại phiên bản model tiếp theo.

Rồi nếu có hiện thân rồi, chúng tôi mong nó làm cũng là, để nó lặp lại phiên bản hiện thân tiếp theo, nó tự làm robot phiên bản tiếp theo.

Tôi vẫn khá tò mò một điểm, vì tôi xem những buổi phỏng vấn trước đây của DeepSeek v.v., nên là trong việc lựa chọn một số hướng quan trọng, lựa chọn nghiên cứu, gu thẩm mỹ và trực giác rất quan trọng, chứ không phải chỉ đơn giản là tối ưu kỹ thuật. Vậy nếu sau này AI có thể tự tiến hóa, thì cái gu thẩm mỹ, taste, trực giác này còn quan trọng không, hay điều quan trọng sẽ là gì?

AI hiện tại không thiếu gu thẩm mỹ và trực giác, cái nó thiếu là khả năng học liên tục. Gu thẩm mỹ và trực giác của AI không có vấn đề gì. Bạn bảo nó viết một bài văn, gu thẩm mỹ và trực giác của nó, tôi nghĩ không có vấn đề gì.

Phía trước còn vài câu hỏi, tôi xem lại một chút. Tôi thấy trên màn hình có vài câu hỏi, nhưng phía tôi không thấy được nữa.

Anh Liang, tôi để lại một câu hỏi trên màn hình, tôi đọc lại cho anh nghe. Thực ra là muốn thỉnh giáo, continuous learning, tức là học liên tục, anh cũng nhắc đến, rất nhiều nhà nghiên cứu cũng nhắc đến là một vấn đề nghiên cứu chưa được giải quyết. Rồi cái coding agent, đặc biệt đuổi kịp MILES, tức là

Phân bổ nguồn lực nghiên cứu: CoT, ảo giác mô hình, gắn nhãn dữ liệu

[03:17:47]

Scaling đến mức độ Office, mức độ MIS là một mục tiêu tương đối chắc chắn. Đối với một mục tiêu nghiên cứu chưa giải quyết và một mục tiêu Scaling tương đối chắc chắn, anh nghĩ nên phân bổ nguồn lực nghiên cứu thế nào, đặc biệt là nguồn lực nhân tài nghiên cứu, làm sao đạt được cân bằng và hiệu quả tốt nhất?

Model Office là một mục tiêu tương đối chắc chắn, nhưng model MIS, tôi nghĩ chưa chắc nói là chắc chắn, chỉ có thể nói là một mục tiêu. Model Office, tôi nghĩ nên tương đối chắc chắn.

CoT không chiếm nguồn lực. Làm nghiên cứu tự do kiểu bạn bè, nó không tiêu tốn card, chỉ cần rất ít card, cái nó cần là ý tưởng; nó cũng không tiêu tốn nguồn lực nhân tài, vì không cần có người ở đó làm liên tục. Nó không phải một dự án, mà cần có nhiều người đều ở đó suy nghĩ vấn đề này.

Vì vậy không cần phân bổ nguồn lực gì cho nó, vì nó không cần nguồn lực. Bạn phải huấn luyện model, phải làm model, ra mắt model, làm thí nghiệm hiệu suất model mới cần nguồn lực. Điều vừa nói, tiêu tốn nguồn lực về con người, về card đều không nhiều.

Vì vậy chúng tôi gọi đây là “dò trúng số”. Ngưỡng vào rất thấp, ai cũng có thể thử, nhưng ai có thể dò ra được gì, cái này có lẽ tôi cũng không biết là nhờ năng khiếu hay gì.

Vì vậy ở đây không cần chúng tôi phân bổ nguồn lực. Chỉ là, điểm khác biệt của chúng tôi với các công ty khác, là chúng tôi sẽ dành thời gian thảo luận vấn đề này, sẽ suy nghĩ vấn đề này, rồi coi nó là một việc quan trọng.

Trong công ty, đây là một vấn đề quan trọng, là một vấn đề chúng tôi sẽ dành thời gian suy nghĩ, nhưng không cần tốn nhiều nguồn lực để làm.

Rồi bên dưới tôi còn thấy một câu hỏi: vấn đề ảo giác (hallucination) của model lớn khá ảnh hưởng đến trải nghiệm người dùng. Vấn đề ảo giác cũng có một phương pháp có thể giải quyết, nhưng đây là một mệnh đề dài hạn. Vấn đề ảo giác có thể coi là một vấn đề có thể giải quyết, cải thiện thông qua Post-training (hậu huấn luyện) tốt hơn.

Chỉ là mọi người chưa bỏ nhiều công sức để làm việc này. Hay nói cách khác, đối với tôi, ảo giác là một vấn đề, nhưng chúng tôi quy nó có thể là một vấn đề sản phẩm. Chúng tôi sẽ đi giải quyết nó, nhưng không phải vấn đề trọng tâm.

Phía trước còn một vấn đề gắn nhãn dữ liệu. Chúng tôi ở mảng gắn nhãn dữ liệu, việc này liên quan đến đầu tư vốn của chúng tôi. Với cấu trúc đầu tư vốn này của chúng tôi, không đủ sức gánh chi phí gắn nhãn dữ liệu chất lượng cao nhiều đến vậy, vì chi phí rất cao.

Chi phí gắn nhãn dữ liệu ở Mỹ và Trung Quốc không có khác biệt gì mấy. Trung Quốc gắn nhãn dữ liệu không có lợi thế chi phí, đặc biệt ở gắn nhãn dữ liệu cao cấp sẽ không có lợi thế chi phí, khiến chúng tôi rất khó đầu tư để gắn nhãn dữ liệu như Mỹ. Con đường này ở Trung Quốc rất khó, vì gắn nhãn dữ liệu thực sự quá đắt, dù chúng tôi thuê ngoài hay tự gắn nhãn, đều rất khó chịu.

Vì vậy hiện tại về cơ bản đi hai con đường song song. Không phải là chúng tôi hoàn toàn không thể gắn nhãn, mà vì gắn nhãn dữ liệu có loại chi phí thấp, có loại chi phí cao. Chúng tôi trước tiên gắn nhãn loại chi phí thấp.

Vì vậy bạn cũng có thể cho rằng, hiện tại công ty chúng tôi có một nửa số người đang gắn nhãn dữ liệu. Có một nửa nghiên cứu viên cốt lõi, những người quan trọng nhất, một nửa đang gắn nhãn dữ liệu. Chúng tôi tập trung vào gắn nhãn dữ liệu. Giải quyết vấn đề AI, ở giai đoạn hiện tại dựa vào chính là gắn nhãn dữ liệu. Bạn chỉ cần nhìn, đó chính là dữ liệu.

Lợi thế cấu trúc của Trung Quốc: chi phí và trải nghiệm sản phẩm

Anh Liang, cảm ơn anh. Anh nói đặc biệt, chúng tôi rất có cảm nhận, rất hay. Cảm ơn anh. Tôi xin hỏi vài câu hỏi.

Câu hỏi thứ nhất, anh vừa nói, model Trung Quốc so với model Mỹ về hiệu suất chắc chắn mạnh hơn. Anh còn nói một số mặt khác, tương lai cũng có khả năng mạnh hơn Mỹ. Anh nghĩ là những mặt nào, chúng ta có thể mạnh hơn Mỹ về trí tuệ hay mặt khác?

Tôi nghĩ ở rất nhiều mặt trải nghiệm, có khả năng chúng tôi có thể làm tốt hơn Mỹ. Tức là không nói trải nghiệm của bản thân, trải nghiệm sản phẩm của bản thân cảm thấy khá tốt, tôi nghĩ chúng tôi về trải nghiệm người dùng chưa chắc kém Mỹ.

Về sản phẩm, năng lực sản phẩm chưa chắc kém Mỹ. Chi phí cũng sẽ thấp hơn Mỹ, vì vậy có khả năng Trung Quốc vẫn sẽ có sức cạnh tranh.

Về mặt khác, nếu nói có lợi thế mang tính cấu trúc, tôi nghĩ có thể cũng không có. Nhưng về chi phí và sản phẩm hai mặt này, tôi nghĩ đúng là có lợi thế mang tính cấu trúc nhất định.

Chi phí thì dễ hiểu, vì họ đều không cần làm, nên họ không phát triển năng lực này. Họ chắc chắn không coi trọng việc này bằng chúng tôi. Chúng tôi có thể coi đó là một việc rất quan trọng, nhưng đối với họ, việc này không quan trọng.

Sản phẩm cũng vậy, qua rất nhiều công ty bản địa, năng lực sản phẩm vẫn ổn. Vì vậy tôi nghĩ hai mặt này có thể có lợi thế mang tính cấu trúc.

Được. Câu hỏi thứ hai, xin thỉnh giáo anh, anh vừa nói về post-training, đầu tư của chúng ta chi phí tương đối cao, như Anthropic và OpenAI đều đầu tư số tiền khổng lồ. Sau đợt gọi vốn này, anh nghĩ chúng ta sẽ tăng đầu tư vào post-training không?

Khoảng cách chủ yếu nằm ở gắn nhãn dữ liệu chất lượng cao, chủ yếu ở nghiên cứu AI. Chắc chắn sẽ tăng đầu tư, nhưng như gắn nhãn dữ liệu chất lượng cao, điển hình không phải là đầu tư vốn.

Điểm nghẽn của gắn nhãn dữ liệu chất lượng cao, tôi nghĩ là thời gian, tức là cần thời gian. Vì đối với OpenAI mà nói, đối với nước ngoài mà nói, đối với Anthropic mà nói, họ đều bắt đầu sớm hơn, rồi vốn nhiều hơn, card cũng nhiều hơn.

Trong tình huống này, trong nước có thể cho là mới bắt đầu làm nửa năm gần đây, vì vậy về thời gian, tôi nghĩ cần thêm thời gian. Việc này liên quan không nhiều đến đầu tư vốn, vì dù không có thêm đầu tư vốn, vốn ban đầu cũng đủ để nó mở rộng với tốc độ nhanh nhất.

Nhưng tốc độ này có trần, điểm nghẽn không phải là tôi có thể ngay lập tức có thêm người, không kẹt ở tiền, cũng không kẹt ở card. Nhưng đúng là nó đang trong một quá trình mở rộng nhanh chóng.

Vì vậy chúng tôi nghĩ trong vòng một năm, vấn đề dữ liệu chất lượng cao làm tương đối tốt, tôi nghĩ trong nước nên có thể kỳ vọng được. Tôi nghĩ tình hình có thể không lạnh lẽo đến vậy, nhưng đúng là cần thời gian.

Ứng dụng theo chiều dọc và cân bằng với thị trường vốn

Cảm ơn. Rồi câu hỏi thứ ba, chúng tôi thấy Anthropic họ dùng model của chính mình để làm sản phẩm của chính mình, ra mắt rất nhiều ứng dụng theo chiều dọc như tài chính, pháp lý…

[03:29:17]

thậm chí tương lai muốn đi theo hướng y tế, anh nghĩ về ứng dụng theo chiều dọc này, ở giai đoạn nào đó chúng ta cũng sẽ cân nhắc không?

Tôi vẫn chưa nghĩ rõ lắm, tương lai mô hình kinh doanh trong nước của chúng tôi sẽ như thế nào, hay con đường thuận lợi nhất là gì, chúng tôi vẫn chưa đến giai đoạn đó. Tình hình trong nước và nước ngoài chưa chắc giống nhau, trong nước đến lúc đó sẽ như thế nào, tôi nghĩ hiện tại vẫn khá khó phán đoán.

Trong nước hiện tại với tình hình hiện tại mà nhìn, tôi nghĩ cách làm hợp lý nhất nên là dồn toàn lực làm Agent thông dụng, các Agent khác nên có mức ưu tiên thấp hơn, bao gồm Agent tài chính, bác sĩ. Phải làm Coding trước, vì Coding Agent có thể làm được rất nhiều, còn nhiều Agent chuyên ngành khác. Giai đoạn hiện tại chúng tôi cho rằng quan trọng nhất, vẫn nên là Coding Agent.

Nói rất rõ ràng, cảm ơn anh. Còn một câu hỏi, chúng tôi cũng muốn thỉnh giáo anh. Thực ra chúng tôi làm DeepSeek, cũng rất khâm phục anh, luôn dùng một phương thức nghiên cứu khoa học rất thuần túy để làm DeepSeek.

Nhưng hiện tại ngành này đúng là đã đi đến con đường thị trường vốn, đi đến con đường vốn hóa này. Anh lại là một người rất có trách nhiệm, dù đối với đồng nghiệp hay nhà đầu tư, anh cũng đều rất có trách nhiệm. Vậy trong hướng nghiên cứu thuần túy, làm AGI thuần túy và thị trường vốn, tương lai anh chắc chắn vẫn phải đi con đường thị trường vốn, chắc chắn còn có con đường cổ phần đại chúng, anh nghĩ sau này sẽ cân bằng thế nào? Điều này anh nghĩ thế nào?

Hiện tại tôi cảm thấy nên có thể làm được, tức là đều phải có. Giả sử năm nay tôi có thể có vài tỷ đô la doanh thu B-end, cộng thêm C-end chúng tôi có người dùng, thì bản thân điều này đã có một nền tảng thương mại nhất định. Đến sang năm B-end của chúng tôi có doanh thu, nếu nhu cầu này có thể tăng thêm nữa, thì công ty cách lợi nhuận ròng đã không còn xa, có thể đã là lợi nhuận ròng rồi.

Có thể đã không còn là giai đoạn đốt tiền thuần túy nữa, vì vậy tôi cảm thấy sau này những việc có thể làm, có thể vận hành nên vẫn khá lớn. Hay nói cách khác, trường hợp xấu nhất là bán API, có thể cũng đủ để duy trì một công ty niêm yết. Tức là nếu sau này công nghệ không có tiến bộ mới nữa, công nghệ của chúng tôi đóng băng ở đây, thì cuối cùng chúng tôi toàn lực bán API, làm tốt những dịch vụ này, tôi nghĩ cũng đủ.

Vì vậy tôi nghĩ vẫn có niềm tin, thực sự không khó đến vậy. Vì đúng là ở một nơi có đòn bẩy cao, lại ở một lĩnh vực phát triển rất nhanh, nó có thể không khó đến vậy. Chỉ có thể nói, chúng tôi mong có giấc mơ lớn hơn, nhưng chúng tôi cũng có thành tích bảo hiểm có thể mang ra.

Cảm ơn anh, nói rất hay. Câu hỏi hỏi xong rồi, cảm ơn.

Mô hình tổ chức: không có đối tượng để mô phỏng, tự khám phá

Cảm ơn chia sẻ của anh. Phía trước có nhắc đến một số vấn đề, muốn hỏi lại anh một chút. Vì tôi nghĩ điểm khác biệt lớn nhất giữa DeepSeek và các công ty khác là ở tổ chức của chúng ta khác người, hay nói cách khác hình thức tổ chức khác nhau.

Nhưng hình thức tổ chức vừa liên quan đến mục tiêu của chúng ta, có thể cũng phải cân nhắc ranh giới và hiệu suất của bản thân tổ chức. Tôi không biết, từ góc độ vĩ mô mà xét, hình thức tổ chức này của chúng ta có một đối tượng học hỏi tốt nào không? Trong lịch sử có thể là Bell Labs, hay là một hình thái nào đó có thể lý tưởng hơn? Hay chúng ta tự cảm thấy cũng không có gì lý tưởng, mà vẫn phải dựa vào chúng ta dần dần tự khám phá?

Có thể ở một thời kỳ mới, chỉ có thể dựa vào chính chúng ta tự khám phá. Vì hình thức tổ chức của chúng ta thực ra chắc chắn khác với vài công ty ở Mỹ, đúng không? Ba công ty tự họ cũng không giống nhau, nhưng ít nhất họ đều xuất phát từ góc độ một công ty thương mại để khám phá.

Tôi có thể chủ yếu muốn hỏi thêm về vấn đề tổ chức này.

Trước tiên, chúng tôi không có đối tượng để mô phỏng. Mỗi bước chúng tôi đều xuất phát từ tình hình thực tế, cầu thị, căn cứ tình hình thực tế để ra quyết định, tìm ra chúng tôi nên làm thế nào. Vì vậy nó là sản phẩm của thời đại, hay nói là một phản ánh của tình hình thực tế, nó không phải kết quả của việc mô phỏng.

Tức là, trong tình huống đó, lời giải tối ưu của tôi có thể chính là như vậy, hay tôi tự cho rằng, con đường chúng tôi chọn chính là như vậy. Mỗi bước chúng tôi chắc chắn đều đã suy nghĩ qua, chắc chắn đều đã lựa chọn qua, dù sao kết quả chọn chính là chọn như vậy. Nó không phải vì thấy ai chọn như vậy nên chúng tôi chọn như vậy, mà vì chúng tôi đã phân tích lợi hại mà chọn như vậy.

Vậy tương lai có thể cũng vậy, chúng tôi không hề mô phỏng ai. Tôi nghĩ chúng tôi vẫn khác Bell Labs, vì nó rõ ràng không cần thương mại hóa, vì nó là… nhưng chúng tôi rõ ràng là phải có thương mại hóa. Cuối cùng chúng tôi vẫn phải sống được, dù sao chúng tôi vẫn là một công ty, chính phủ sẽ không cho tôi một xu nào.

Vì vậy chúng tôi có thể có một sứ mệnh rất lớn lao, nhưng suy cho cùng chúng tôi vẫn là một công ty, chúng tôi phải cân nhắc làm sao để sống được. Vì vậy B-end chắc chắn quan trọng đối với chúng tôi, vì sau này có thể phải dựa vào nó để sống. Chỉ là hiện tại nó chưa quan trọng, vì hiện tại nó là một khoản chi phí.

Vì vậy tôi nghĩ điều này vẫn khác, vẫn khác Bell Labs. Chúng tôi về bản chất vẫn là một công ty. Trong lịch sử cũng có nhiều công ty, họ cũng có những theo đuổi ngoài lợi nhuận, nhưng không thể nói họ có theo đuổi ngoài lợi nhuận thì họ không phải là công ty.

Rất nhiều công ty làm được rất vĩ đại, vì họ có một loại theo đuổi ngoài lợi nhuận. Sự theo đuổi đó cuối cùng không những không ảnh hưởng đến thương mại hóa, ngược lại còn giúp thương mại hóa tốt hơn. Chúng tôi về bản chất vẫn là một công ty, chỉ là chúng tôi đang cân nhắc kiếm những đồng tiền nào, khi nào kiếm tiền, kiếm bao nhiêu tiền, dựa vào gì để kiếm tiền, chỉ là chúng tôi có sự lựa chọn, đánh đổi.

TileLang và hiệu suất inference

Anh Liang, tôi có hai câu hỏi nhỏ, muốn nhanh chóng thỉnh giáo anh. Một là, anh vừa nhắc đến MILOS này, có thể không phải một mục tiêu rất chắc chắn, nhưng chắc chắn sẽ đi theo hướng này. Rồi anh cũng nhắc đến tham số kích hoạt có thể ví dụ như…

[03:41:02]

thế hệ tiếp theo có thể sẽ ở khoảng 150 đến 250 B. Trong tình huống này, anh nghĩ 150 đến 250 B là đối chuẩn với O4.7, hay có thể đối chuẩn với cái khác? Đây là câu hỏi thứ nhất.

Câu hỏi thứ hai, phía trước anh cũng nhắc đến, hiện tại trong toàn bộ inference chúng ta dùng một số ngôn ngữ biên dịch ngoài CUDA. Tôi hiểu là trước đây dựa trên hệ sinh thái Nvidia, có thể dùng PTX này nhiều hơn. Hiện tại dùng nhiều hơn những thứ tương tự TileLang anh vừa nhắc, có phải sẽ làm giảm mạnh một số hiệu suất của chúng ta trong inference, hay ngắn hạn làm giảm hiệu suất không?

Tôi không biết anh nhìn nhận thế nào về sự tổn thất hiệu suất do thay đổi ngôn ngữ biên dịch này mang lại, hay là dài hạn thực ra nó có thể bù đắp được, là nâng cao hiệu suất?

Là nâng cao hiệu suất, là nâng cao mạnh hiệu suất.

OK, vậy ngược lại không có ảnh hưởng tiêu cực gì?

Đúng, là nâng cao mạnh hiệu suất. Vì vậy đây là một cơ hội. Tương đương với trước đây bạn không thể tách rời hệ sinh thái CUDA, hiện tại chúng tôi có thể bỏ hệ sinh thái đó, dùng một phương pháp đơn giản hơn, chính là dùng TileLang. Nó là ngôn ngữ bậc cao, viết chương trình cũng rất nhanh, lượng code cần viết rất nhỏ, tôi có thể viết lại toàn bộ.

Hiểu rồi. Vậy hai điều này thực ra đều là, như anh nói cơ hội lớn mà AI mang lại, không phải một khuyết điểm cần bù đắp trong ngắn hạn.

Đúng, nó là cơ hội lớn của phát triển công nghệ. Nó không phải cơ hội của AI, vì chúng tôi còn có một dự án, chúng tôi đang dùng AI để viết TileLang.

Vậy có nhanh hơn không?

Hiện tại tất cả TileLang đều do người viết, nhưng nó đã nhanh hơn rất nhiều so với viết CUDA trước đây.

Hiểu rồi. Vậy dù là đối với hiệu suất thực thi tầng phần cứng, anh cũng nghĩ không có ảnh hưởng gì?

Tổn thất 1% đến 2%, tôi nghĩ có thể chấp nhận được.

OK, hiểu rồi, rõ ràng rồi. Được, cảm ơn anh, rất rõ ràng.

Còn ai có câu hỏi gì nữa không?

Không có vấn đề gì, hôm nay chúng ta dừng ở đây trước.

Được, cảm ơn.

Rất cảm ơn thời gian của mọi người, cảm ơn anh Liang, cảm ơn anh.

Tạm biệt.

Tạm biệt.