AI trọng số mở đang thu hẹp khoảng cách với các mô hình tiên phong

Mozilla, trong phân tích State of Open Source AI, đưa ra một thông điệp đáng chú ý với bên mua AI: lựa chọn không còn đơn giản là “mô hình mở rẻ” hay “mô hình độc quyền mạnh”. Các hệ thống trọng số mở hàng đầu đang đuổi kịp đủ nhanh để tổ chức có thể chuyển nhiều khối lượng công việc sang chúng, đồng thời vẫn giữ API của các mô hình tiên phong cho những việc mà chất lượng vượt trội thực sự làm thay đổi kết quả. 18

Khoảng cách thu hẹp nói lên điều gì — và không nói lên điều gì

Theo phần tường thuật về các kết quả của Mozilla, các mô hình trọng số mở tốt nhất từ những công ty Trung Quốc chỉ còn chậm hơn khoảng 4,4 tháng so với nhóm mô hình tiên phong khép kín, xét theo cách báo cáo này đánh giá hiệu năng. 18 Đây là bối cảnh mua sắm rất khác với thời điểm mô hình mở bị xem là chưa thể đảm nhiệm công việc trong môi trường vận hành thực tế.

Kimi K3 là một ví dụ hữu ích, nhưng không phải phán quyết cuối cùng. Trong một ảnh chụp của Artificial Analysis Intelligence Index vào tháng 9, Kimi K3 đạt 59,7 điểm, thấp hơn 6 điểm so với mô hình dẫn đầu toàn bảng ở mức 65,7 điểm; chênh lệch này là 13 điểm một năm trước đó. 17 Những phiên bản báo cáo và ảnh chụp benchmark khác nhau có thể so sánh các mô hình khác nhau, dẫn tới ước tính khác về khoảng cách. Điều đáng chú ý nhất là chiều hướng thu hẹp, không phải một con số đơn lẻ.

Benchmark tổng hợp phù hợp để sàng lọc ban đầu, không phải bằng chứng rằng một mô hình sẽ tối ưu nhất trong môi trường của một doanh nghiệp. Chúng có thể gộp nhiều bài đánh giá rất khác nhau, trong khi triển khai thực tế còn phụ thuộc độ trễ, xử lý ngữ cảnh, độ ổn định, kiểm soát bảo mật, công sức tích hợp, hỗ trợ kỹ thuật và điều khoản pháp lý.

Cách tiếp cận phù hợp hơn: phân luồng theo hệ quả của công việc

Khoảng cách thu hẹp không đồng nghĩa phải chuyển toàn bộ sang hệ thống mở. Hợp lý hơn là một danh mục mô hình:

• Ưu tiên mô hình trọng số mở cho tác vụ lặp lại, lưu lượng cao, nơi chi phí, quyền kiểm soát dữ liệu, triển khai nội bộ hoặc khả năng tùy biến là yếu tố quan trọng.
• Duy trì API mô hình tiên phong cho những việc khó, nơi mức cải thiện chất lượng đã đo lường có hệ quả rõ ràng về tài chính, vận hành hoặc an toàn.
• Đánh giá cả hệ thống: lớp truy xuất dữ liệu, công cụ, hàng rào bảo vệ, prompt và bước duyệt của con người — thay vì chỉ nhìn mô hình nền.
• Kiểm thử lại liên tục trên các quy trình đại diện. Mỗi đợt phát hành mô hình có thể nhanh chóng dịch chuyển tương quan giữa chi phí và hiệu năng.

Ý nghĩa thực dụng của sự hội tụ là: mức phí cao hơn của mô hình đóng chỉ hợp lý khi nó chứng minh được rằng kết quả tốt hơn, thay vì chỉ vì trước đây đó là lựa chọn khả thi duy nhất.

Trọng số mở là vấn đề chiến lược, không chỉ là bài toán giá

Mô hình trọng số mở cho phép tổ chức vận hành và điều chỉnh mô hình trong chính môi trường của mình, thay vì phụ thuộc hoàn toàn vào dịch vụ do nhà cung cấp vận hành. CSIS nhận định hệ sinh thái trọng số mở đang phát triển tại Trung Quốc là thách thức với vai trò dẫn đầu AI của Mỹ, vì nó kết hợp quá trình tự chủ công nghệ dưới các biện pháp kiểm soát xuất khẩu với chủ trương phổ biến rộng rãi những mô hình có thể thích nghi. 5

Việc phổ biến đó có thể tạo ra hệ sinh thái riêng: nhà phát triển, đơn vị tích hợp, công cụ, triển khai và chuẩn mực kỹ thuật có thể hình thành xung quanh một họ mô hình, ngay cả khi một công ty khác dẫn đầu ở mô hình đóng tiên tiến nhất. Vì vậy, câu hỏi cạnh tranh không chỉ là ai đang đứng đầu benchmark hôm nay, mà còn là công nghệ của ai trở thành lớp nền tảng được sử dụng rộng rãi.

Kiểm soát xuất khẩu là một phần của bối cảnh này. Nghiên cứu được dẫn trong hồ sơ nguồn mô tả sự gia tăng mạnh mức độ đón nhận AI mở tại Trung Quốc sau khi Mỹ áp kiểm soát xuất khẩu chip, cho thấy các hạn chế cũng có thể khuyến khích phát triển lựa chọn nội địa và hệ sinh thái mở. 11

Cần dùng ngôn ngữ thận trọng với cáo buộc chưng cất mô hình

Trong khuyến cáo tháng 9, Cơ quan An ninh Quốc gia Mỹ (NSA), FBI và CISA — cơ quan an ninh mạng và hạ tầng của Mỹ — cho biết các công ty AI đặt tại Trung Quốc đang tiến hành chiến dịch quy mô công nghiệp nhằm trích xuất những năng lực độc quyền bị hạn chế từ các mô hình AI tiên phong của Mỹ để phục vụ huấn luyện. 1 Các bài đưa tin về khuyến cáo này nêu Moonshot AI là một trong các công ty được cơ quan Mỹ gọi tên. 3

Đây là cáo buộc của cơ quan chính phủ, chưa phải kết luận đã được xét xử công khai. Bộ Ngoại giao Trung Quốc bác bỏ các cáo buộc là vô căn cứ. 4 Cũng cần phân biệt cáo buộc về hành vi trích xuất trái phép với khái niệm kỹ thuật rộng hơn là chưng cất (distillation): mô hình nhỏ hơn học từ đầu ra của mô hình mạnh hơn. CSIS mô tả đây là kỹ thuật huấn luyện phổ biến, đồng thời có những hệ quả chiến lược đáng kể. 12

Xây dựng lựa chọn thay thế không chỉ là xây một mô hình

So sánh của CTO Mozilla Raffi Krikorian với Android thực chất là lập luận về hệ sinh thái. Một mô hình được phân phối rộng và có thể tùy biến có thể thu hút các nhà phát triển ở lớp phía sau cùng hạ tầng bổ trợ, tương tự cách một nền tảng hệ điều hành tạo giá trị vượt ra ngoài nhà sáng tạo ban đầu.

Các báo cáo của Mozilla nhấn mạnh AI mở cần hạ tầng bền vững, chứ không chỉ là những lần phát hành mô hình. Báo cáo trước đó của tổ chức này nêu một liên minh công tại Thụy Sĩ đã dùng siêu máy tính công và công bố trọng số, dữ liệu lẫn mã huấn luyện. 11 Hàm ý chính sách là đầu tư vào năng lực tính toán công, thể chế trung lập, dữ liệu và đánh giá đáng tin cậy, cũng như công cụ hướng tới nhà phát triển — không chỉ tài trợ thêm một đối thủ mô hình đóng.

Tính mở và an toàn có thể cùng tiến không?

Open Secure AI Alliance đưa ra một hướng trả lời. Nvidia ra mắt liên minh này vào tháng 7 cùng các đối tác công nghệ và an ninh để phát triển, chia sẻ công cụ về an toàn AI và an ninh mạng, đặc biệt quanh phần mềm và tác tử AI. Sáng kiến phản ánh quan điểm rằng các công cụ bảo mật có thể được kiểm tra và dùng chung là một phần của lời giải cho rủi ro AI.

Điều đó không xóa bỏ các rủi ro thực tế khi mô hình được phổ biến rộng rãi. Phân phối mở có thể khiến việc ngăn ngừa lạm dụng và duy trì kiểm soát trở nên khó hơn. Nhưng lựa chọn chính sách không đơn thuần là mở hay an toàn, hoặc đóng hay an toàn; vấn đề là những biện pháp bảo vệ, kiểm soát truy cập, đánh giá và cơ chế trách nhiệm nào đi cùng từng phương thức triển khai.

Quyết định của doanh nghiệp và nhà hoạch định chính sách

Với doanh nghiệp, câu hỏi trực diện là: chất lượng tăng thêm của mô hình độc quyền có xứng với chi phí tăng thêm và mức phụ thuộc tăng thêm hay không? Câu trả lời khác nhau theo từng tác vụ. Những tổ chức theo dõi được việc chọn mô hình, đánh giá trên bộ tình huống đại diện và giữ khả năng chuyển đổi nhà cung cấp sẽ ở vị thế tốt hơn các bên chuẩn hóa cứng vào một loại mô hình.

Với nhà hoạch định chính sách, đánh đổi khó hơn. Dẫn đầu ở mô hình tiên phong, an ninh và giảm thiểu nguy cơ lạm dụng đều quan trọng; song hệ sinh thái mở có sức chống chịu và việc phổ biến hạ tầng AI đáng tin cậy trên toàn cầu cũng quan trọng. CSIS cảnh báo một chiến lược chỉ tập trung vào vị thế dẫn đầu của mô hình tiên phong độc quyền có thể mất dần lợi thế trước các lựa chọn mở rẻ hơn. 15

Khi khoảng cách mô hình thu hẹp, cuộc tranh luận này trở nên cấp bách hơn. Cạnh tranh AI sẽ ngày càng không chỉ được quyết định bởi mô hình tốt nhất trong phòng thí nghiệm, mà bởi ai cung cấp được hệ sinh thái hữu ích, linh hoạt và đáng tin cậy nhất xung quanh nó.