Sức mạnh tính toán đang trở nên đắt đỏ, ứng dụng AI phải được tái cấu trúc

Một, Tài sản hóa phần cứng: Đường đi của sức mạnh tính toán đang thu hẹp

Cấu trúc chi phí của ứng dụng AI đã thay đổi. Logic cạnh tranh trong hai năm qua được xây dựng trên niềm tin vô điều kiện vào Luật Tăng trưởng: mô hình lớn hơn, nhiều tham số hơn, GPU nhiều hơn, ngữ cảnh dài hơn. Các mô hình lớn chung như GPT, Claude đã chứng minh tính hiệu quả của con đường này trong việc thiết lập nền tảng trí tuệ.

Nhưng khi logic này bước vào tầng ứng dụng, nó bắt đầu bị kẹt lại bởi nguồn cung phần cứng, chi phí suy diễn và độ trễ trong kinh doanh.

Áp lực rõ ràng nhất đến từ việc tài sản hóa phần cứng. GPU cao cấp không còn là tài nguyên tính toán thông thường, mà đã trở thành tài sản khan hiếm. Các phần cứng cốt lõi như H100, H200 và dòng B300 mới nhất đã tăng giá mạnh so với đầu năm. Hiện tại, mức tăng giá trên thị trường gần 50%, một số mẫu thậm chí có giá mà không có hàng. Đằng sau là những nút thắt phức tạp trong chuỗi cung ứng: năng lực lưu trữ HBM bị căng thẳng, đóng gói tiên tiến bị hạn chế, và yêu cầu cực đoan về công suất của tủ máy đối với cơ sở hạ tầng điện và làm mát của trung tâm dữ liệu. Nút thắt sức mạnh tính toán không còn là vấn đề mua được GPU hay không, mà đã trở thành một bài toán chuỗi cung ứng liên quan đến bố trí năng lượng và chu kỳ giao hàng.

Chi phí suy diễn cũng đang tiến gần đến ranh giới lợi nhuận của tầng ứng dụng. Mô hình càng mạnh, chi phí cho mỗi lần suy diễn càng cao; ngữ cảnh càng dài, tiêu thụ Token càng lớn. Trong các tình huống hỏi đáp tần suất thấp, chi phí này có thể chấp nhận được, nhưng trong các hoạt động tần suất cao, nó sẽ nhanh chóng nuốt chửng lợi nhuận. Robot thực hiện hàng chục nghìn hành động mỗi ngày, hệ thống chăm sóc khách hàng xử lý hàng triệu yêu cầu, Agent doanh nghiệp gọi lại công cụ nhiều lần------nếu mỗi bước quyết định đều sử dụng suy diễn mô hình mạnh với ngữ cảnh dài, mô hình kinh doanh sẽ nhanh chóng không còn khả thi.

Độ trễ là một ràng buộc cứng khác. Robot kho cần phải theo kịp nhịp độ chọn hàng, dây chuyền sản xuất cần phải theo nhịp, hệ thống tài chính cần xử lý rủi ro theo thời gian thực. Mô hình mạnh có thể thực hiện suy diễn sâu trên đám mây, nhưng thế giới vật lý không thể chờ đợi. Tiếp tục tăng cường sức mạnh tính toán có thể nâng cao giới hạn khả năng của mô hình, nhưng nhiều ngành không cần "tăng cường toàn diện". Robot kho cần phải nắm chắc hơn, AI tài chính cần phải đánh giá rủi ro chính xác hơn, AI doanh nghiệp cần thực hiện quy trình đáng tin cậy hơn. Những vấn đề cụ thể này hiếm khi có thể được giải quyết trực tiếp bằng cách gọi lại một mô hình lớn hơn.

Khi con đường sức mạnh tính toán thu hẹp, vấn đề của tầng ứng dụng đã chuyển từ "mô hình có đủ mạnh không" sang "mô hình mạnh nên đặt ở đâu". Ứng dụng AI phải được tái cấu trúc.

Hai, Đứt gãy logic: Mô hình chung không thể thay thế trực tiếp hệ thống ngành

Khả năng của các mô hình lớn thế hệ mới rất mạnh, nhưng chúng tự nhiên không biết chi phí hành động, ranh giới quy trình và hậu quả của thất bại trong một ngành. Mô hình có kiến thức tĩnh, trong khi hệ thống ngành cần thực hiện động.

Tại hiện trường kho, khi robot đối mặt với một đống vật thể có hình dạng khác nhau và sắp xếp lộn xộn, vấn đề thực sự không phải là nhận diện tên vật thể. Logic nhiệm vụ nằm ở: hộp giày có bị kẹt bởi giấy gói không? Nên nắm từ trên xuống hay từ bên hông? Kẹp có dễ trượt ra sau khi đóng lại không? Sau lần thất bại đầu tiên có nên thay đổi đường đi không? Mô hình chung biết định nghĩa "nắm bắt", nhưng nó không thể xử lý trực tiếp phản hồi vật lý theo thời gian thực trong quá trình nắm bắt.

Hệ thống tài chính cũng vậy. Đối mặt với biến động, việc nhắc lại tin tức không có ý nghĩa. Hệ thống cần phải đánh giá: tin tức này đã được phản ánh trong giá chưa? Có cần điều chỉnh rủi ro theo thời gian thực không? Những biến động nào chỉ là tiếng ồn do thuật toán tạo ra? Khi nào nên buộc phải dừng giao dịch?

Hệ thống nội bộ doanh nghiệp cũng tương tự. Mô hình có thể tạo ra email thương mại hoàn hảo, nhưng nó không hiểu kiểm soát quyền hạn và kết nối quy trình trong nội bộ doanh nghiệp. Nếu một công cụ AI không biết ai có quyền phê duyệt ngân sách, hành động nào sẽ kích hoạt quy trình tài chính tiếp theo, nó sẽ không thể tham gia vào hoạt động cốt lõi. Trong lĩnh vực sản xuất công nghiệp, nếu hành động của mô hình không ổn định, nhịp điệu bị rối loạn, va chạm với thiết bị, hệ thống sẽ bị thất bại.

Nút thắt của AI ngành nằm ở việc thiếu "cấu trúc thực hiện" chứ không phải chỉ đơn thuần thiếu trí tuệ. Nhiều dự án AI thất bại đã coi mô hình lớn như một giao diện vạn năng, hy vọng giải quyết mọi thứ thông qua Prompt. Cách làm này sẽ nhanh chóng bộc lộ sự yếu kém khi xử lý các nhiệm vụ dài và các tình huống rủi ro cao: chuỗi nhiệm vụ kéo dài sẽ dẫn đến chi phí không kiểm soát, số bước tăng lên sẽ dẫn đến độ trễ tăng, và do thiếu cơ chế phản hồi, hệ thống không thể tự phục hồi từ thất bại trong thực hiện.

Ba, Mẫu Sereact: Rút ngắn chuỗi từ nhận thức đến hành động

Vào tháng 4 năm 2026, công ty AI robot của Đức này đã hoàn thành vòng gọi vốn Series B trị giá 110 triệu USD, do Headline dẫn dắt, cùng với các tổ chức như Bullhound Capital, Felix Capital tham gia. Sereact tiết lộ rằng số tiền này sẽ được sử dụng cho việc phát triển bộ não robot thế hệ mới Cortex 2.0 và mở rộng thị trường Bắc Mỹ. Hiện tại, Sereact đã có hơn 200 hệ thống hoạt động tại châu Âu, hoàn thành hơn 1 tỷ lần nắm bắt sản xuất thực tế, và chỉ cần một lần can thiệp từ xa cho mỗi 53.000 lần nắm bắt.

Điều này không chỉ là cuộc đua về số tiền. Sereact đã tránh con đường của chatbot, trực tiếp tham gia vào thực hiện vật lý: cho phép cánh tay máy thực hiện nắm bắt ổn định trong môi trường công nghiệp ánh sáng yếu, bao bì biến dạng và bị che khuất nghiêm trọng.

Công nghệ cốt lõi của nó VLA (Vision-Language-Action) đã nén đầu vào hình ảnh, chỉ dẫn ngôn ngữ và trạng thái robot vào cùng một cấu trúc thực hiện, rút ngắn đáng kể chuỗi từ nhận thức đến hành động.

Hệ thống robot truyền thống thường hoạt động theo mô-đun: trước tiên nhận diện vật thể, sau đó hiểu nhiệm vụ, cuối cùng lập kế hoạch đường đi. Trong cấu trúc chuỗi này, một chút sai lệch trong nhận diện hình ảnh------chẳng hạn như đánh giá độ sâu lệch 1 cm------sẽ dẫn đến thất bại trong lập kế hoạch tiếp theo. Tại hiện trường kho phức tạp, mỗi bước đều phụ thuộc vào các mô-đun độc lập truyền kết quả, rất dễ bị đứt gãy.

Cách làm của Sereact là đưa hình ảnh hiện trường, chỉ dẫn và trạng thái robot vào cùng một khung để huấn luyện. Đầu ra của mô hình không còn là giải thích bằng văn bản, mà là trực tiếp truyền đến quyết định hành động của ngăn điều khiển:

• Tọa độ di chuyển của cánh tay máy;
• Góc quay của kẹp và thời điểm đóng lại;
• Cách khắc phục sự cố theo thời gian thực sau khi hành động thất bại.

Khi robot đối mặt với một hộp giày, nó không đánh dấu "đây là hộp giày", mà đang quyết định nhiệm vụ: giấy gói có chắn đường không? Nắm bắt từ bên hông có ổn định hơn nắm từ trên không? Cấu trúc đường đi ngắn này giảm thiểu tổn thất trong quá trình truyền thông tin.

Nhưng hành động có hậu quả vật lý, vì vậy cần có World Model (Mô hình thế giới). Nhưng điều này không có nghĩa là mỗi bước đều thực hiện mô phỏng vật lý hoàn chỉnh, mà là một lớp diễn tập chi phí thấp (Look-ahead Layer) cho các hành động quan trọng. Hệ thống sẽ dự đoán: nắm bắt như vậy có trượt không? Cắt vào bên hông có va chạm không? Có nên gạt giấy gói sang một bên để tăng tỷ lệ thành công không?

Cấu trúc này chỉ quan tâm đến sự thay đổi của các biến liên quan đến nhiệm vụ, từ đó đánh giá "khi nào đáng để tiêu tốn sức mạnh tính toán để suy nghĩ":

• Bộ điều khiển cấp thấp: xử lý các hành động điều chỉnh tần suất cao, ổn định;
• Mô hình cấp trung: xử lý chiến lược nắm bắt;
• Lập kế hoạch cấp cao: chỉ khi ở các nút có rủi ro cao và chi phí hành động lớn, mới gọi mô hình dự đoán để tính toán thêm vài bước.

AI chung khi vào ngành phải được tái tổ chức thành cấu trúc thực hiện phân tầng như vậy.

Bốn, Cấu trúc năm tầng của AI khả thi

Kinh doanh thực tế bao gồm đầu vào, hiểu biết, quyết định, thực hiện và phản hồi. Nếu giao tất cả các bước cho một mô hình lớn, hệ thống sẽ nhanh chóng trở nên nặng nề. AI khả thi cuối cùng sẽ được chia thành năm tầng:

1. Tầng đầu vào: chịu trách nhiệm nhận thông tin từ bên ngoài. Robot nhìn hình ảnh và vị trí, AI tài chính theo dõi sổ đặt hàng và dữ liệu trên chuỗi, AI doanh nghiệp xem quyền tài liệu. Tầng này không chịu trách nhiệm suy nghĩ sâu sắc, chỉ chịu trách nhiệm thu thập thông tin theo tiêu chuẩn.
2. Tầng hiểu biết: chịu trách nhiệm phân tích ý định và điều chỉnh nhiệm vụ. Người dùng nói "xử lý đơn hàng", hệ thống phải dịch thành mục tiêu kinh doanh cụ thể: là kiểm tra tồn kho, đối chiếu hóa đơn hay cập nhật trạng thái phê duyệt. Tầng này cần phải chịu sự ràng buộc cứng từ quy tắc ngành.
3. Tầng quyết định: xử lý sự không chắc chắn và lập kế hoạch đường đi. Đây là nơi cần sự tham gia của mô hình mạnh nhất. Khi thông tin không đầy đủ, nên làm gì trước? Gọi công cụ nào? Tầng quyết định cần xử lý các mục tiêu xung đột và rủi ro thực hiện.
4. Tầng thực hiện: biến quyết định thành hành động chắc chắn. Cánh tay máy di chuyển, gọi API, gửi phê duyệt, thực hiện điều chỉnh kho. Tầng thực hiện quan trọng nhất là sự ổn định. Nhiều hành động thích hợp hơn khi giao cho quy tắc, bộ điều khiển hoặc Workflow cố định, để đảm bảo không có "ảo giác".
5. Tầng phản hồi: ghi lại kết quả thực hiện và viết lại vào hệ thống. Hành động có thành công không? Dự đoán có chính xác không? Có ai can thiệp không? Vai trò của tầng phản hồi là đưa dữ liệu trở lại hệ thống. Không có phản hồi, AI chỉ là công cụ; có phản hồi, hệ thống mới biết những tình huống nào cần nâng cấp suy diễn, những quy trình nào có thể được cố định.

Suy diễn mạnh mẽ đắt đỏ chỉ được sử dụng ở các nút quyết định thực sự. Hành động thông thường được thực hiện trực tiếp, nhiệm vụ rủi ro cao được xác thực, quy trình thành công lặp lại được cố định thành quy tắc.

Năm, Trường hợp ngành: Ranh giới tái cấu trúc nhiệm vụ

Các ngành đang sử dụng thiết kế có cấu trúc để đối phó với chi phí sức mạnh tính toán.

• Kho và logistics: Tái cấu trúc từ "nhận diện" sang "tỷ lệ thành công của hành động" Tại hiện trường logistics, cạnh tranh không còn chỉ là xem ai có thể nhận diện nhiều loại hàng hóa hơn. Mục tiêu của cấu trúc này là để cùng một sức mạnh tính toán bao phủ nhiều hành động hiệu quả hơn, thay vì giao mỗi lần nắm bắt cho mô hình mạnh. Hệ thống tích hợp AI vào tầng điều khiển, mô hình lớn chỉ can thiệp khi gặp bao bì mới hoặc che khuất phức tạp.
• Giao dịch tài chính: Tái cấu trúc từ "dự đoán thị trường" sang "kiểm soát rủi ro phân tầng" AI tài chính không còn dự đoán xu hướng mỗi giây bằng mô hình lớn. Hệ thống tái cấu trúc được chia thành ba tầng: mô hình nhỏ xử lý lọc tín hiệu, động cơ quy tắc thực hiện dừng lỗ, chỉ khi đối mặt với biến động phức tạp như liên kết giữa các thị trường, mới kích hoạt mô hình tham số quy mô lớn để đánh giá rủi ro toàn cầu.
• Agent doanh nghiệp: Tái cấu trúc từ "tạo nội dung" sang "luân chuyển quyền hạn" Trọng tâm của AI doanh nghiệp là giải quyết tính toàn vẹn của công việc. Mô hình chịu trách nhiệm phân tích nhu cầu và phân tách nhiệm vụ, nhưng mỗi thao tác ghi (như sửa đổi cơ sở dữ liệu hoặc gửi chỉ thị chuyển khoản) phải trải qua kiểm tra cứng từ máy trạng thái. Điều này đảm bảo hành vi của AI là có thể kiểm toán, có thể quay lại, có thể theo dõi.
• Phát triển phần mềm: Tái cấu trúc từ "tạo mã" sang "kỹ thuật tự động hóa" Mặc dù GPT có thể viết ra các đoạn mã phức tạp, nhưng nút thắt thực sự về hiệu suất nằm ở việc gỡ lỗi và triển khai. Các công cụ phát triển thế hệ mới đưa AI vào quy trình CI/CD, mô hình không chỉ tạo mã, mà còn phân tích nhật ký chạy và tự động viết lại, giảm tần suất gỡ lỗi thủ công.

Sáu, Giai đoạn tiếp theo: Hiệu quả kiến trúc quyết định thắng bại

AI sẽ tiếp tục trở nên mạnh mẽ hơn, sức mạnh tính toán cũng sẽ tiếp tục được đầu tư. Nhưng trọng tâm cạnh tranh của tầng ứng dụng đã thay đổi: trước đây, các công ty chỉ mải mê theo đuổi việc kết nối mô hình mạnh nhất, giờ đây họ chú trọng vào việc tạo ra kết quả kinh doanh ổn định với sức mạnh tính toán hạn chế.

Kết nối mô hình mạnh chỉ là có được khả năng, biến khả năng thành kết quả kinh doanh mới là thực hiện. Từ ví dụ của Sereact, chúng ta có thể rút ra bài học: quyết định quan trọng để lại cho suy luận đắt đỏ, hành động tần suất cao giao cho mô-đun nhanh, nhiệm vụ giá trị thấp giao cho hệ thống rẻ, kết quả thực tế liên tục lắng đọng thành phản hồi.

Sau khi sức mạnh tính toán tiếp tục tăng giá, không gian gọi mô hình một cách thô sơ sẽ trở nên nhỏ hơn. Cạnh tranh ở tầng ứng dụng sẽ quay trở lại hiệu quả kiến trúc:

• Gọi mô hình mạnh ít hơn một lần, sẽ giảm chi phí một lần.
• Ghi lại kết quả thất bại vào hệ thống, sẽ có thêm một cơ hội cải tiến.
• Kết hợp quy tắc và mô hình tốt hơn, hệ thống sẽ ổn định hơn.

Nút thắt của AI trong ngành không phải là thiếu thông minh, mà là thiếu cấu trúc thực thi. Mô hình lớn đưa ra giới hạn của khả năng, trong khi thiết kế phân lớp của hệ thống ứng dụng, vòng phản hồi và kiểm soát rủi ro, quyết định sức mạnh tính toán đơn vị có thể tạo ra bao nhiêu kết quả thương mại thực tế. Mô hình trong tương lai cần được tổ chức một cách thông minh hơn.