"Nếu điều này là sự thật, các ông lớn hyperscaler sẽ gặp nguy": Tương lai AI thuộc về mô hình ngôn ngữ nhỏ?

Trong một báo cáo nghiên cứu gây chú ý, chuyên gia tài chính Joachim Klement đã đưa ra một nhận định gây sốc: các mô hình ngôn ngữ nhỏ (SLM) chạy trên PC hoặc điện thoại có thể thay thế phần lớn tác vụ hiện đang được xử lý bởi các mô hình ngôn ngữ lớn (LLM) trong trung tâm dữ liệu. Nếu nghiên cứu từ Stanford này là chính xác, các gã khổng lồ công nghệ đang đầu tư hàng trăm tỷ USD vào hạ tầng cloud có thể đang đứng trước một cuộc khủng hoảng thừa công suất khổng lồ.

Dữ liệu cho thấy trong các tác vụ trò chuyện thông thường, SLM đạt tỷ lệ thắng hoặc hòa lên tới 98,6% so với LLM. Ngay cả với các bài toán suy luận phức tạp hơn, các mô hình nhỏ cũng đang bắt kịp nhanh chóng, mở ra một tương lai mà chi phí tính toán cho AI có thể giảm xuống mức tối thiểu ngay tại thiết bị của người dùng cuối.

So sánh hiệu suất giữa SLM và LLM trong các tác vụ trò chuyện

Sức mạnh của "người nhỏ" trong thế giới AI

Nghiên cứu của nhóm Stanford (Saad-Falson và cộng sự) đã tiến hành so sánh trực tiếp các SLM như QWEN 3, GEMMA 3, GPT-OSS, GRANITE 4.0 — những mô hình có thể tải về và chạy offline trên PC — với các LLM hàng đầu như ChatGPT 5, Claude Sonnet 4.5 hay Gemini 2.5 Pro chạy trên cloud. Điểm đáng chú ý là các SLM này được vận hành trên những con chip phổ thông như Nvidia hoặc Apple M4, vốn đã có mặt rộng rãi trong các dòng máy tính cao cấp hiện nay.

Kết quả kiểm tra trên nhiều lĩnh vực cho thấy, ở các tác vụ hội thoại (chat), SLM tốt nhất có thể đưa ra câu trả lời tốt hơn hoặc tương đương LLM trong hơn 90% trường hợp, với tỷ lệ trung bình lên tới 98,6%. Điều này đặt ra câu hỏi lớn về việc liệu có cần thiết phải gửi mọi yêu cầu lên "mây" hay không.

Tốc độ bắt kịp đáng kinh ngạc ở các tác vụ suy luận

Nếu như năm 2023, tỷ lệ thành công của SLM trong các bài toán suy luận (reasoning) chỉ dừng ở mức khoảng 50%, thì đến tháng 10/2025, con số này đã tăng vọt lên 99% cho các bài toán dễ (level 1-2) và từ 85% đến 92% cho các bài toán khó hơn (level 3-4). Duy chỉ có những bài toán siêu khó (level 5) là SLM vẫn còn thua kém, với tỷ lệ thành công chỉ 51,5%.

Tỷ lệ thành công của SLM trong các bài toán suy luận theo độ khó và thế hệ mô hình

Khi kết hợp cả hai loại tác vụ theo tần suất sử dụng thực tế, SLM tỏ ra vượt trội hoặc ngang bằng trong 81,2% trường hợp. LLM chỉ còn giữ lợi thế đáng kể ở các lĩnh vực đặc thù như kỹ thuật, khoa học đời sống, giao thông và khoa học máy tính.

Lợi thế về chi phí và năng lượng: Điểm mấu chốt

Một trong những phát hiện quan trọng nhất là về hiệu quả năng lượng. SLM tiêu thụ điện năng và chi phí tính toán thấp hơn từ 50% đến 85% so với LLM, tùy thuộc vào phần cứng sử dụng. Cụ thể, hiệu suất suy luận trên mỗi Watt của SLM thường cao gấp 7 lần so với LLM.

Điều này có nghĩa là, đối với những tác vụ có thể giải quyết ngay trên thiết bị, việc xử lý cục bộ sẽ luôn rẻ hơn và nhanh hơn nhiều so với việc gửi dữ liệu lên trung tâm dữ liệu. Ước tính quy mô thị trường tại Mỹ cho các ứng dụng SLM đã đạt khoảng 10 nghìn tỷ USD — tương đương 1/3 GDP của quốc gia này.

So sánh hiệu suất tổng hợp giữa SLM và LLM trong các tác vụ kết hợp

Bài toán đầu tư cho các ông lớn công nghệ

Từ những dữ liệu trên, Joachim Klement đưa ra những nhận định quan trọng cho các nhà đầu tư:

• Trung tâm dữ liệu có thể là khoản đầu tư tồi tệ nhất: Nếu SLM có thể thay thế 70-80% khối lượng công việc, nhu cầu xây dựng trung tâm dữ liệu mới sẽ giảm mạnh. Các khoản chi tiêu vốn (capex) khổng lồ của Amazon, Microsoft hay Google có thể không bao giờ thu hồi được.

• Nvidia đối mặt với bài toán biên lợi nhuận: Thay vì bán chip GPU đắt tiền cho trung tâm dữ liệu, Nvidia có thể phải chuyển hướng sang các dòng chip cho PC. Điều này có thể ảnh hưởng nghiêm trọng đến tăng trưởng doanh thu và biên lợi nhuận của hãng.

• Giá trị của OpenAI, Anthropic và các startup AI: Các công ty này buộc phải cung cấp phiên bản "thu nhỏ" (SLM) của mô hình với giá rẻ hơn nhiều để cạnh tranh với các đối thủ từ Trung Quốc như QWEN hay IBM GRANITE. Điều này có thể làm giảm đáng kể định giá trong các đợt IPO tương lai.

Những hạn chế còn tồn tại

Tuy nhiên, SLM vẫn còn khoảng cách lớn trong lĩnh vực AI tác tử (agentic AI) — nơi mà các mô hình cần thực hiện chuỗi hành động phức tạp — với tỷ lệ chính xác hiện dưới 50%. Ngoài ra, việc chạy các SLM có hiệu năng cao trên điện thoại thông minh vẫn còn gặp nhiều khó khăn, khi các mô hình chạy trên iPhone hiện yếu hơn đáng kể so với trên PC.

Tác động với thị trường Việt Nam

Đối với các doanh nghiệp và nhà phát triển tại Việt Nam, xu hướng này mở ra nhiều cơ hội. Chi phí triển khai AI tại chỗ (on-premise) sẽ ngày càng rẻ và khả thi hơn, giúp các công ty vừa và nhỏ có thể ứng dụng AI mà không cần phụ thuộc vào hạ tầng cloud của nước ngoài — một vấn đề nhạy cảm về dữ liệu trong bối cảnh quy định về an ninh mạng ngày càng chặt chẽ.

Dự báo tăng trưởng và sự thay đổi trong nhu cầu hạ tầng AI

Kết luận

Cuộc đua giữa SLM và LLM không chỉ là câu chuyện công nghệ mà là một bài toán kinh tế với quy mô hàng nghìn tỷ USD. Klement kết luận: "Người chiến thắng thực sự của cuộc bùng nổ AI có thể không phải là các nhà cung cấp phần cứng tiên tiến và trung tâm dữ liệu, mà là những nhà sản xuất máy tính để bàn 'nhàm chán' như Dell và Apple."

Liệu các ông lớn hyperscaler có kịp thích ứng trước khi "cỗ máy AI cục bộ" trở thành xu thế chủ đạo? Thời gian sẽ trả lời, nhưng rõ ràng các nhà đầu tư cần hết sức thận trọng với những khoản chi khổng lồ vào hạ tầng đám mây trong bối cảnh công nghệ AI đang thay đổi từng tháng.