Amazon ra mắt mô hình ra quyết định riêng khi làn sóng mô hình quyết định tràn ngập

Amazon Web Services (AWS) vừa phát hành một mô hình ra quyết định mã nguồn mở lấy cảm hứng từ Jev của TypeSafe, trong bối cảnh các nhà phát triển AI ngày càng tìm kiếm loại trí tuệ phù hợp hơn với tự động hóa máy tính thay vì các mô hình ngôn ngữ lớn (LLM) tiên tiến.

Strands Decider 2B của Amazon ra mắt cùng tuần với một sản phẩm tương tự từ OpenAI. Đây là công cụ tốc độ cao, chi phí thấp, giúp lựa chọn giữa các phương án đã được định trước và đưa ra mức độ tự tin đối với lựa chọn của mình. Mô hình được mở hoàn toàn mã nguồn, có sẵn ngay bây giờ và đủ nhỏ để chạy cục bộ trên máy cá nhân.

Từ dự án cá nhân đến sản phẩm chính thức

Kỹ sư nổi tiếng của Amazon, Marc Brooker, đã nảy ra ý tưởng về dự án này sau khi biết đến Jev và thử xây dựng phiên bản riêng. Dự án tự phát này thành công đến mức có thời điểm vươn lên vị trí dẫn đầu bảng xếp hạng Jevbench cho các mô hình cùng kích thước. Thành công đó khiến các kỹ sư Amazon chỉnh trang lại và phát hành nó như một sản phẩm từ Strands Labs — tổ chức chuyên phát triển công cụ và giao thức mới để triển khai các tác nhân AI (AI agent).

Brooker cho biết nhu cầu về một công cụ như vậy xuất phát từ các cuộc trò chuyện với khách hàng AWS, khi quy trình tác nhân của họ không phải lúc nào cũng cần đến năng lực hay chi phí của một LLM đầy đủ.

"Điều ban đầu khiến tôi hứng thú với loại mô hình này là chúng tạo ra một bộ phận quyết định hoàn hảo cho một bước trong quy trình — 'dựa trên vị trí hiện tại, việc tiếp theo tôi cần làm là gì?'" Brooker chia sẻ với TechCrunch.

Ông nói mô hình mang đến cho khách hàng "một bước quy trình có thể được cấu trúc theo cách đáng tin cậy hơn nhờ điểm số tự tin, nhờ tập câu trả lời khép kín, đồng thời có độ trễ thấp hơn và tiềm năng chi phí thấp hơn."

Cách hoạt động và thách thức phía trước

Giống như các mô hình ra quyết định khác, Strands Decider được xây dựng trên phần "thân" của một LLM — trong trường hợp này là Qwen3.5-2B — nhưng thay vì sinh văn bản, nó đưa ra các lựa chọn đã được hiệu chỉnh (calibrated choices).

TypeSafe đặt tên mô hình của mình là Jev theo nhà kinh tế học William Stanley Jevons, với hy vọng gợi nhắc lý thuyết của ông rằng việc chi phí của một thứ gì đó — như trí tuệ máy tính — giảm xuống thực tế có thể làm tăng nhu cầu đối với nó.

Việc hàng chục mô hình tương tự ra đời từ các nhà nghiên cứu kể từ khi TypeSafe công bố ý tưởng cho thấy sự quan tâm rộng rãi, nhưng cũng đặt ra câu hỏi về giá trị thực sự của chúng. Brooker cho rằng thách thức nằm ở việc tối ưu khả năng ra quyết định nhanh chóng mà không đánh đổi trí tuệ của mô hình.

"Có một sự cân bằng rất tinh tế cần tìm, khi bạn muốn đẩy mạnh hiệu suất về độ chính xác và hiệu chỉnh trên loại tác vụ này, mà không làm suy giảm khả năng hiểu các ngôn ngữ khác nhau, khả năng nắm giữ kiến thức vốn khiến mô hình trở nên đa dụng, thú vị và hữu ích," ông nói với TechCrunch.

Dù vậy, ông không nhất thiết kỳ vọng các phòng thí nghiệm tiên tiến sẽ thống trị lĩnh vực này, đặc biệt khi với thị trường nhỏ hơn, chi phí để xây dựng một sản phẩm thú vị chỉ ở mức vài trăm đến vài nghìn đô la.

TypeSafe vẫn giữ vững quan điểm

Về phía mình, các lãnh đạo TypeSafe cho biết họ đang tập trung cải tiến các mô hình trong tương lai.

"Tôi hiểu mọi người nghĩ đây là một cơn sốt vàng, nhưng có thể họ đang đánh giá thấp độ khó của việc khiến các mô hình thực sự thông minh," CEO và nhà sáng lập Diogo Almeida nói với TechCrunch.

Ông cho biết hiện tại mình chưa thấy đối thủ cạnh tranh thực sự nào nổi lên. "Lô mô hình hiện tại trông giống những người làm học máy muốn triển khai một kiến trúc thú vị hơn là một đội ngũ thực sự tận tâm biến trí tuệ trở nên hữu ích."

Ý nghĩa với thị trường công nghệ Việt Nam

Với các doanh nghiệp và nhà phát triển Việt Nam đang xây dựng quy trình tác nhân AI, sự xuất hiện của các mô hình ra quyết định nhỏ gọn như Strands Decider 2B mở ra cơ hội tiết kiệm đáng kể. Thay vì phải gọi các LLM lớn tốn kém cho từng bước trong quy trình, doanh nghiệp có thể dùng mô hình nhỏ chạy cục bộ hoặc trên hạ tầng đám mây giá rẻ, giúp giảm chi phí vận hành và tăng tốc độ xử lý. Đây là hướng đi đáng cân nhắc cho các startup và đội ngũ kỹ thuật trong nước đang tối ưu hóa sản phẩm AI của mình.