研究 viên AI Nathan Lambert 日前 đã ghé thăm nhiều phòng thí nghiệm AI lớn tại Trung Quốc, bao gồm Moonshot AI, Zhipu, Meituan, Xiaomi, Alibaba Qwen (thông nghĩa 千问), Ant Ling (螞蟻集團) và 01.ai (零一萬物)…, đồng thời ghi lại một báo cáo quan sát chuyên sâu này. Anh thẳng thắn cho biết chuyến đi đã giúp anh nhìn nhận lại hệ sinh thái AI tại Trung Quốc; đây không chỉ là những câu chuyện du hành của một nhà nghiên cứu, mà còn là bản chẩn đoán AI Trung Quốc “từ kỹ thuật, văn hóa đến cấu trúc ngành” theo góc nhìn cận kề.
Lợi thế cốt lõi của AI Trung Quốc: Văn hóa, nhân tài và tinh thần thực dụng
Sức cạnh tranh của các nhà nghiên cứu Trung Quốc đến từ đâu: thiên hướng chăm chỉ làm việc
Lambert cho rằng, lý do các phòng thí nghiệm Trung Quốc có thể nhanh chóng bắt kịp, thậm chí ngang tầm với các AI tiên tiến, nằm phía sau một yếu tố then chốt thường bị bỏ qua: văn hóa nghiên cứu và bầu không khí tổ chức.
So với các nhà nghiên cứu Mỹ vốn có xu hướng thể hiện cá nhân mạnh mẽ—thích lên tiếng cho thành quả nghiên cứu của mình, theo đuổi việc xây dựng thương hiệu cá nhân trên truyền thông và mạng xã hội—thì các nhà nghiên cứu Trung Quốc thường có xu hướng đặt bản thân sau chất lượng của mô hình. Họ sẵn sàng làm những công việc ít được biết đến nhưng thực sự có thể cải thiện hiệu năng mô hình, đồng thời cũng dễ chấp nhận việc ý tưởng của mình bị gạt đi trong quá trình tối ưu hóa đa mục tiêu.
Lambert cũng chỉ ra rằng, ở Mỹ thậm chí từng có thông tin về việc “cần phải trả tiền cho các nhà nghiên cứu hàng đầu để họ thôi phàn nàn rằng phương án của mình không được chấp nhận”, qua đó tượng trưng rằng những ma sát trong tổ chức ở các phòng thí nghiệm phương Tây là điều có thật.
Chênh lệch văn hóa này tạo ra hiệu quả rõ rệt ở cấp độ tổ chức: ý thức cái tôi thấp hơn khiến bộ máy tổ chức dễ mở rộng theo chiều hướng đi lên; các nhà nghiên cứu ở nhiều cấp bậc có thể phối hợp hiệu quả hơn, thay vì mỗi người tự bảo vệ lợi ích.
Sinh viên hòa nhập vào đội ngũ phát triển LLM là một trong những lực lượng chính
Một hiện tượng khác khiến Lambert ấn tượng là tỷ lệ rất cao các nhà đóng góp cốt lõi trong nhiều phòng thí nghiệm vẫn là sinh viên đang học. Những sinh viên này không bị đối xử khác biệt; họ được trực tiếp hòa nhập vào các đội phát triển LLM. Điều này trái ngược với hệ sinh thái Mỹ, nơi OpenAI và Anthropic gần như không cung cấp cơ hội thực tập, hoặc dù có thực tập thì cũng bị tách khỏi các công việc cốt lõi:
Điểm mạnh của sinh viên nằm ở chỗ “không có gánh nặng”. Họ chưa từng trải qua các giả định quán tính do những làn sóng AI trước đó để lại, nên dễ nhanh chóng hấp thụ công nghệ mới—từ mở rộng MoE, học tăng cường đến phát triển trí tuệ tác nhân (agent). Mỗi lần chuyển đổi hình mẫu (paradigm) với họ đều là một điểm khởi đầu hoàn toàn mới, không cần phải bỏ đi những nhận thức sẵn có.
Cạnh tranh hay hợp tác? Hé lộ hệ sinh thái “kỹ sư trị quốc” của Trung Quốc
Lambert nhận thấy rằng, khi anh cố gắng trao đổi với các nhà nghiên cứu Trung Quốc về rủi ro xã hội dài hạn của AI, tác động kinh tế hoặc các tranh luận đạo đức về hành vi mô hình, thì cuộc trò chuyện thường rơi vào im lặng. Anh hiểu rằng không phải họ cố tình né tránh, mà bởi vì những vấn đề này thật sự không nằm trong phạm vi suy nghĩ của họ.
Anh dẫn quan sát của học giả Dan Wang về việc “Trung Quốc do kỹ sư quản trị, còn Mỹ do luật sư quản trị” để lý giải lập trường của mình: “Nhiệm vụ của họ là làm cho mô hình thật tốt; những vấn đề khác để cho người khác.”
Điều này khiến Lambert nhìn hệ cộng đồng AI Trung Quốc giống như một “cộng đồng” hơn là những bộ tộc cạnh tranh lẫn nhau. Giữa các phòng thí nghiệm nhìn chung có sự tôn trọng lẫn nhau; họ vừa giữ thái độ kính nể với các gã khổng lồ như ByteDance, vừa đánh giá cao rất mạnh thị hiếu nghiên cứu và năng lực thực thi của DeepSeek, nhưng lại không có thứ lực căng cạnh tranh nặng mùi “thuốc súng” như ở các phòng thí nghiệm Mỹ.
Giới hạn và điểm yếu của AI Trung Quốc: thiếu hụt chip, dữ liệu và khoảng trống sáng tạo
Chip Nvidia là “cái cổ chai” chung của mọi phòng thí nghiệm
Do tác động của các lệnh kiểm soát xuất khẩu từ Mỹ, việc nguồn cung sức mạnh tính toán của Nvidia không đủ là rào cản chung mà mọi phòng thí nghiệm ở Trung Quốc đều đối mặt. Lambert quan sát rằng, gần như phòng thí nghiệm nào cũng thể hiện rõ nếu nguồn cung tính lực đủ, họ sẽ mở rộng mua sắm một cách không do dự.
Các bộ tăng tốc nội địa như Huawei (các chip tự phát triển) nhận được đánh giá tích cực ở mảng suy luận (inference), và nhiều phòng thí nghiệm cũng đã sử dụng số lượng lớn; nhưng ở giai đoạn huấn luyện (training), Nvidia vẫn là chuẩn vàng không thể thay thế, và khoảng trống này trong ngắn hạn rất khó được lấp đầy hoàn toàn bằng các phương án khác.
Ngành dữ liệu trở thành điểm yếu lớn nhất; tự xây dựng là lựa chọn chính
So với Anthropic và OpenAI mỗi năm đầu tư hàng trăm triệu USD để mua môi trường huấn luyện học tăng cường, ngành dữ liệu bên ngoài của Trung Quốc vẫn còn khoảng cách rõ rệt về chất lượng. Lambert quan sát rằng phần lớn phòng thí nghiệm cho rằng chất lượng dữ liệu có thể mua trên thị trường còn thấp, vì vậy họ thà dành nguồn lực để tự xây dựng môi trường huấn luyện; đồng thời bản thân các nhà nghiên cứu cũng tốn rất nhiều thời gian cho việc xây dựng môi trường.
ByteDance, Alibaba dù có thể hỗ trợ bằng các đội dữ liệu nội bộ, nhưng như nhà phân tích Zephyr của Citrini nói, thì điều đó vẫn là điểm yếu lớn nhất của hệ sinh thái AI Trung Quốc.
(Loại robot khởi nghiệp Trung Quốc Moonshot tự nhận là Claude; mô hình Anthropic bị lộ việc chưng cất)
Mở mã nguồn là thực dụng, không phải ý thức hệ
Trước câu hỏi từ bên ngoài về việc “vì sao doanh nghiệp như Meituan, Xiaomi cần xây dựng và mở rộng các mô hình đại trà dùng chung”, Lambert cho rằng phía sau đó là một logic kinh doanh rất thực dụng: mở mã nguồn có thể nhận được phản hồi từ cộng đồng bên ngoài, từ đó nâng cao chất lượng mô hình; đồng thời doanh nghiệp vẫn có thể giữ các phiên bản tinh chỉnh (fine-tune) nội bộ để dùng cho sản phẩm của riêng mình, kiểm soát ngăn xếp công nghệ cốt lõi.
Cách nghĩ “quyền sở hữu công nghệ” này thúc đẩy gần như toàn bộ các công ty công nghệ lớn tại Trung Quốc tự xây dựng mô hình nền tảng, thay vì dựa vào dịch vụ từ bên ngoài—điều này hoàn toàn khác với lựa chọn của các doanh nghiệp AI ở Mỹ.
Góc nhìn người sáng lập Delphi Ventures: mạnh về năng lực thực thi, nhưng thiếu sáng tạo
Đồng sáng lập Delphi Ventures José Maria Macedo gần đây cũng đã đi sâu khảo sát hệ sinh thái AI tại Trung Quốc, và từ góc nhìn của một nhà đầu tư đưa ra một lớp quan sát khác, đối chiếu với góc nhìn kỹ thuật của Lambert.
Macedo cho rằng, nhìn chung các nhà sáng lập Trung Quốc sở hữu lý lịch không thể chê vào đâu được và năng lực thực thi đáng kinh ngạc, nhưng so với đó, “động lực khởi nghiệp sáng tạo từ con số không đến sản phẩm đầu tiên” khá hiếm. “Họ giỏi hơn trong việc nâng cấp phiên bản xuất sắc cho những hướng đi đã có sẵn, thay vì đưa ra những vấn đề hoàn toàn mới mà thị trường còn chưa nhận ra.” Anh quy điều này cho việc hệ thống giáo dục trong thời gian dài củng cố tư duy của “người đi giải bài” hơn là “người đặt câu hỏi”.
(Top nhân tài đầy đường, nhưng không làm được OpenAI? Nhà đầu tư đi sâu khảo sát 2 tuần để lộ vấn đề thật sự của AI Trung Quốc)
Mỹ vẫn nên giành vị trí dẫn đầu trong hệ sinh thái mở
Lambert thừa nhận rằng Trung Quốc là nơi không thể hiểu đơn giản bằng cách áp khung phương Tây: “Văn hóa của nó quá cổ xưa, quá sâu lắng, và cách thức đan xen với hệ sinh thái công nghệ tạo nên một phản ứng hóa học mang tính đặc thù.”
Là người Mỹ, anh mong các phòng thí nghiệm AI ở Mỹ—nơi thiên về các mô hình mở—tiếp tục giữ vững vị trí dẫn đầu; nhưng điều anh lo hơn là nếu Mỹ thông qua mệnh lệnh hành chính để hạn chế sự phát triển của mô hình mở, thì ngược lại sẽ làm suy yếu vị thế chủ đạo của chính họ trong hệ sinh thái AI mở toàn cầu, khiến cán cân cạnh tranh nghiêng về một hướng khó lường.
Bài viết này Thực địa ghé thăm các phòng thí nghiệm AI tại Trung Quốc: nhà nghiên cứu tiết lộ “khoảng trống chip và dữ liệu” là chìa khóa tạo nên khác biệt giữa Trung Quốc và Mỹ, lần đầu tiên xuất hiện trên Chuỗi tin tức ABMedia.
