Chào bạn, Minh Trung đây! 👋

Lần đầu tiên, các mô hình mã nguồn mở đã xử lý nhiều lệnh gọi hơn các mô hình đóng trên một trong những cổng AI lớn nhất thế giới. Nói nôm na: phần "trí tuệ nhân tạo miễn phí, ai cũng tải về được" giờ đã đông khách hơn phần "trả tiền thuê bao hàng tháng".

Song song đó là ba diễn biến khiến người ta phải dừng lại suy nghĩ: một hệ thống agent của NVIDIA đạt điểm tuyệt đối ở bài kiểm tra vốn được thiết kế để máy móc không thể làm tốt; một mô hình video của Alibaba biến thẳng bản báo cáo hay slide của bạn thành video có tiếng nói; và ở Bắc Kinh, một robot hình người chạy 100 mét nhanh hơn kỷ lục của Usain Bolt. Nhưng — và đây mới là phần đáng để dân văn phòng như chúng ta bận tâm nhất — giữa cơn lũ công cụ mạnh và rẻ ấy, giới chuyên gia lại đồng thanh chỉ ra một "nút thắt cổ chai" mới: không phải làm ra thứ gì, mà là kiểm tra xem thứ AI làm ra có đúng không.

⚡ Đọc nhanh — 5 tín hiệu trong bản tin hôm nay:

Đây là con số biểu tượng của tuần. Theo dữ liệu từ Vercel AI Gateway — một cổng trung chuyển lớn để các ứng dụng gọi tới nhiều mô hình AI — vào ngày 22/08, các mô hình mã nguồn mở (open-weight) đã chiếm 62% lượng token xử lý, so với 38% của các mô hình đóng. Chỉ hai tháng trước, cuối tháng 6, tỷ lệ mở mới chỉ là 28,4%. Một cú lật kèo chóng mặt.

Vì sao lại lật nhanh đến vậy? Vì các mô hình mở — đặc biệt từ những phòng lab Trung Quốc như DeepSeek, Qwen (Alibaba), Kimi (Moonshot) — đang cải thiện chất lượng rất nhanh trong khi chi phí lại rất thấp. Với đa số tác vụ "chạy số lượng lớn" (phân loại, tóm tắt, trích xuất), một mô hình mở đủ tốt và rẻ hơn nhiều lần sẽ thắng.

Nhận định: Cần đọc con số này thật tỉnh táo! Lượng token không phải doanh thu. Anthropic được cho là vẫn giữ phần chi tiêu lớn một cách không cân xứng, nhờ các tác vụ "biên giới" cao cấp đòi hỏi độ chính xác. Bức tranh nhiều khả năng sẽ phân đôi: mô hình mở giá rẻ cho các việc đại trà, mô hình đóng cao cấp cho các việc giá trị cao, đòi độ chính xác. Mặt phải của làn sóng mở rất rõ với doanh nghiệp Việt: bạn có quyền kiểm soát nơi triển khai, lựa chọn về quyền riêng tư, khả năng tinh chỉnh theo dữ liệu riêng, và bớt lệ thuộc vào một nhà cung cấp. Nhưng mặt trái mang tính chiến lược: các công ty Mỹ (và cả thế giới) đang ngày càng phụ thuộc vào hệ sinh thái mô hình gốc Trung Quốc, tạo ra rủi ro dài hạn về chuỗi cung ứng và địa chính trị. "Mở" không đồng nghĩa với "trung lập" hay "không có chủ."

Đây là tín hiệu "dùng được ngay" hấp dẫn nhất tuần với dân văn phòng làm nội dung. Alibaba ra mắt Wan 3.0 — một mô hình sinh video đang ở giai đoạn thử nghiệm công khai (public beta), cung cấp qua Qwen Cloud và Alibaba Cloud Model Studio. Điểm khiến nó khác biệt: quy trình "tài liệu hóa thành video" (document-to-video)

Cụ thể: Wan 3.0 tạo được video dài tới 30 giây, có âm thanh gốc lồng sẵn ngay trong một lượt xử lý, ở độ phân giải 480p, 720p hoặc 1080p (lưu ý: không phải 4K gốc). Cơ chế "Omni Reference" của nó nhận đầu vào hỗn hợp — PDF, slide, bảng tính, trang web, ảnh, video, âm thanh, văn bản. Nhờ vậy bạn có một quy trình rất thực dụng: tải lên một bản báo cáo hoặc bộ slide, chỉ định tông giọng mong muốn, rồi xem lại và tinh chỉnh kết quả.

Nhận định: Với người làm marketing, đào tạo nội bộ, truyền thông — vốn thường phải "dịch" một bản báo cáo dày sang thứ gì đó dễ xem — đây là công cụ đúng nhu cầu. Mặt phải: rút ngắn khủng khiếp quãng đường từ "tài liệu" tới "video giới thiệu". Nhưng mặt trái cần nhớ rất rõ: đây là mô hình đóng, chạy qua API, đang ở giai đoạn beta — quyền truy cập và giới hạn tần suất đã thay đổi thất thường, và những lời quảng bá kiểu "mở hoàn toàn, tải trọng lượng về được, chạy sản lượng lớn" cần được tiếp nhận thận trọng. Ngoài ra, video 30 giây có tiếng do AI dựng vẫn cần người rà lại về độ chính xác thông tin và bản quyền trước khi công bố.

Nếu phần 1 nói về làn sóng mô hình mở, thì đây là hệ quả thực dụng của nó: AI chạy hẳn trên máy của bạn. Perplexity và Nvidia ra mắt Portable Computer — một phiên bản "chạy tại chỗ" (local-first) của Perplexity Computer, cho phép thực thi các luồng công việc agent trên những hệ máy dùng card đồ họa Nvidia phù hợp.

Điểm hay nhất là nó đóng gói toàn bộ vào một ứng dụng — mô hình, engine suy luận, công cụ, connector, môi trường cô lập bảo mật và bộ khung agent — thay vì bắt bạn tự lắp một "dàn AI cục bộ" phức tạp. Công việc bắt đầu ngay trên máy, giữ tệp và phần suy luận ở trên thiết bị, không phát sinh phí token đám mây. Nếu cần, bạn có thể chủ động cho phép nâng cấp lên mô hình biên giới trên đám mây. Bản đầu chạy Qwen 3.8 27B và PPLX 27B; yêu cầu Linux với card RTX từ 24GB VRAM trở lên (kể cả dòng RTX 3090); Windows sẽ đến sau. Nó kết nối được Gmail, Google Drive, GitHub và Slack

Nhận định: Với doanh nghiệp Việt lo về quyền riêng tư dữ liệu, hướng "chạy tại máy" này là tin vui thật sự — hợp đồng, hồ sơ khách hàng, dữ liệu tài chính có thể được xử lý mà không rời khỏi ổ cứng công ty. Đây cũng là mảnh ghép ăn khớp với một chủ đề nổi khác của tuần: chạy được mô hình mạnh trên phần cứng phổ thông (slide còn dẫn thí nghiệm chạy Qwen3.8-27B trên đúng một card RTX 3090 24GB, đẩy tốc độ từ ~46 lên 133 token/giây nhờ tối ưu phần mềm). Nhưng cân bằng lại: "chạy tại máy" không có nghĩa là miễn phí vận hành — bạn vẫn cần một card đồ họa đủ mạnh (24GB VRAM không phải máy văn phòng thường), và cần người biết cấu hình. Với đa số nhân viên, đây là hướng để bộ phận kỹ thuật thử nghiệm, chưa phải thứ cài một nút là dùng

Đây là tín hiệu mang tính tầm nhìn của tuần. NVIDIA công bố AVO (Agentic Variation Operators) — một kiến trúc nghiên cứu cho các agent tự chủ chạy dài hơi. Thay vì là một mô hình nền độc lập, AVO là một thiết kế hệ thống agent: nó hoạt động như một "bộ tối ưu tiến hóa" biết tự cải thiện qua nhiều lần thử.

Cơ chế của AVO: agent tự soi mã nguồn, đề xuất thay đổi, chạy kiểm thử và benchmark, đọc phản hồi từ trình đo hiệu năng, rồi lặp đi lặp lại qua rất nhiều lượt. Một bộ nhớ bền giữ lại các thí nghiệm trước, những lần thất bại, dữ liệu hiệu năng và những cách làm đã thành công. NVIDIA dùng AVO đầu tiên cho việc tự tối ưu nhân GPU (nơi có thể biên dịch và đo trên phần cứng thật để dẫn đường), rồi áp dụng sang bài thi ARC-AGI-3 — bộ đo đánh giá khả năng học qua tương tác, giống như học chơi một trò chơi máy tính mới. Kết quả: AVO nâng điểm của Claude Opus 5 từ mốc cơ sở 30% lên 100%, hoàn tất cả 183 màn qua 25 môi trường công khai. Để so sánh, bảng đánh giá mô hình đơn lẻ chỉ đạt: Claude Opus-5 30,2%, GPT-5.6 Sol 7,8%, Claude Opus-4.8 3,6%.

Và đây là triết lý đúc kết của cả tuần, được in thẳng trên slide: "Rà soát và kiểm chứng là nút thắt cổ chai mới." Khi công cụ AI làm ra được văn bản, mã nguồn, video, phân tích... nhanh đến mức khó tin, thì việc khó nhất, chậm nhất, và có giá trị nhất lại chuyển sang phía con người: làm sao biết thứ AI vừa làm ra có thật sự tốt không? Câu trả lời có một cái tên: AI Evals (đánh giá đầu ra AI).

Những nguyên tắc cốt lõi rất đáng chép lại: bắt đầu từ đầu ra và vết chạy thật, không phải từ một danh sách lý thuyết — hãy xem các ca lỗi trước khi viết tiêu chí. Chia tiêu chí thành hai nhóm: từ-trên-xuống (yêu cầu đã biết như định dạng, độ dài, tuân thủ) và từ-dưới-lên (những lỗi lặp lại chỉ lộ ra khi so sánh bản AI với bản người đã duyệt). Ưu tiên các kiểm tra đạt/không cụ thể ("có dùng câu cụt không", "có đúng cấu trúc yêu cầu không") thay vì những điểm số mơ hồ. AI có thể giúp gom nhóm ví dụ, dựng giao diện rà soát, phác thảo tiêu chí — nhưng con người mới là người cung cấp "gu" và óc phán đoán sản phẩm.

Nhận định: Đây là tin trấn an lớn nhất cho dân văn phòng giữa mùa lo lắng về việc làm. Khi AI hạ chi phí sản xuất về gần bằng không, thì thứ khan hiếm — và vì thế đáng giá — chính là khả năng đánh giá. Slide gọi thẳng đó là "gu thẩm mỹ ở quy mô lớn" (human taste at scale): máy có thể tạo ra một nghìn bản nháp, nhưng vẫn cần một con người biết bản nào đúng, bản nào đủ tốt để gửi khách. Kỹ năng này — đọc kết quả, phát hiện lỗi tinh vi, đặt tiêu chí rõ ràng — không phải kỹ năng lập trình, mà là kỹ năng của người biên tập giỏi và người quản lý giỏi. Nó cũng lý giải vì sao các báo cáo việc làm (xem phần "Nhìn lại tuần") lại chỉ ra rằng "biết kiểm chứng và định hình đầu ra" đang lên giá, còn "viết câu lệnh khéo" thì đang mất giá. Mặt cần lưu ý: đừng phó thác cả việc kiểm cho AI — công cụ đánh giá tự động bắt được lỗi hiển nhiên nhưng thường bỏ sót những phán đoán mang tính chuyên môn, và đôi khi báo động nhầm.

Tuần này xin kể chuyện của Felix Rieseberg, kỹ sư trưởng của nhóm Claude Cowork tại Anthropic, chia sẻ trong podcast "How I AI" của Lenny Rachitsky (25/05/2026). Điều hay là câu chuyện chẳng liên quan gì tới công việc kỹ thuật — nó bắt đầu từ một nỗi khổ rất đời: chuyển nhà.

"Khi dọn sang nhà mới, tôi muốn thử sắp đồ đạc trước trên một bản vẽ 3D, để biết cái tủ, cái ghế sofa đặt đâu cho vừa. Ban đầu tôi ngồi gõ tay từng kích thước món đồ vào — dài, rộng, cao. Được một lúc thì tôi khựng lại tự hỏi: sao mình phải làm việc này? Tôi bảo Claude tự tìm xem tôi có những món đồ gì. Rồi tôi lại lùi thêm một bước nữa: tôi bảo nó đi tìm luôn thông tin ấy — trong hộp thư email của tôi."

Và đây là cú "aha": suốt bao năm, mọi hóa đơn mua hàng, mọi email xác nhận đơn, mọi thông số kích thước món đồ... đều đã nằm sẵn trong hòm thư của anh. Email chính là một kho dữ liệu có cấu trúc bị bỏ quên. Claude đọc qua tất cả, bóc tách ra từng món nội thất kèm kích thước, rồi dựng cho anh một bản vẽ 3D với chính những món đồ thật của mình.

Bài học Felix rút ra — và cũng là điều mình tâm đắc nhất: "Rào cản lớn nhất không phải là công nghệ, mà là tâm lý. Đa số chúng ta chưa hình thành thói quen dừng lại khi đang làm một việc buồn tẻ để tự hỏi: liệu AI có làm hộ được không?" Mẹo của anh gọn trong một câu: cứ mỗi lần bắt gặp mình đang làm việc tay chân lặt vặt, hãy lùi lên một tầng — hỏi xem AI làm hộ được không; rồi lùi thêm một tầng nữa — hỏi xem AI có thể tự tìm ra phải làm gì mà không cần mình chỉ.

Bạn cũng có một "kho email" như thế — đầy vé máy bay, hóa đơn, xác nhận đặt phòng, hợp đồng. Bạn đã từng "sai" AI đi khai thác nó chưa? Nếu bạn có một câu chuyện tự dùng AI giải quyết một việc đời thường, hãy kể cho Minh Trung nghe — biết đâu tuần sau lại là chuyện của chính bạn ở đây. 🙋

Sức mạnh AI đang được dân chủ hóa với tốc độ chóng mặt: mô hình mở vượt mô hình đóng, một trợ lý AI chạy gọn trên card đồ họa trong máy bạn, một mô hình biến báo cáo thành video chỉ trong một lượt. Mặt khác, chính vì công cụ trở nên quá mạnh và quá rẻ, giá trị của con người dồn về hai chỗ: thiết kế được vòng lặp làm việc thông minh (như AVO cho thấy) và biết kiểm–duyệt đầu ra (như AI Evals nhấn mạnh). Máy làm phần "nhiều"; người giữ phần "đúng".

Vài tin bổ sung đáng chú ý tuần này:

Nhìn rộng ra: Nếu tuần trước thông điệp là "đừng luyện mô hình, hãy tiến hóa bộ khung", thì tuần này bổ sung nửa còn lại của bức tranh: khi ai cũng có công cụ mạnh, lợi thế thuộc về người biết đánh giá. Sản xuất trở nên rẻ; phán đoán trở nên đắt. Tin tốt cho dân văn phòng Việt Nam: "biết đánh giá" không phải kỹ năng lập trình bí hiểm — đó là kỹ năng của người biên tập cẩn thận và người quản lý tỉnh táo, thứ bạn hoàn toàn rèn được, bắt đầu từ việc viết ra vài tiêu chí "đạt/không" cho công việc của chính mình.

Hẹn gặp bạn trong bản tin tiếp theo với những cập nhật mới nhất!

Theo dõi và phản hồi để chúng tôi ngày càng hoàn thiện bản tin cho bạn!

Tái bút: Chúng tôi làm bản tin AI này hoàn toàn miễn phí mỗi ngày. Sự ủng hộ của bạn là động lực giúp chúng tôi tiếp tục. Nếu bạn thấy hữu ích, chia sẻ cho ít nhất một, hai (hoặc 20) bạn bè của bạn nhé 😉

Hẹn gặp lại ở bài viết sau!