KimiK3, Naval Ravikant, và Bài Toán Định Giá Khi Open Weights Có Giá Zero

Khi một mô hình open-weight từ Trung Quốc được cộng đồng gọi là "bước nhảy vọt về quy mô và năng lực", và một nhà đầu tư huyền thoại của Thung lũng Silicon phản bác rằng "moat của closed-source sẽ không biến mất", tôi không thể không nhớ lại DeFi hè 2020. Khi đó, mọi người tranh luận rằng "phân mảnh thanh khoản" sẽ giết chết các AMM nhỏ. Hóa ra, phân mảnh là một narrative do VC dựng lên để bán sản phẩm mới. Bây giờ, câu chuyện "open-source AI sẽ không bao giờ vượt được closed-source" nghe cũng quen thuộc đến lạ. KimiK3 là một tín hiệu. Nhưng tín hiệu không nằm ở điểm benchmark. Tín hiệu nằm ở cấu trúc chi phí. Một phòng thí nghiệm closed-source chi 500 triệu USD cho một mô hình. Họ phải thu hồi vốn và tạo ra lợi nhuận. Vì vậy họ bán quyền truy cập API. Mỗi lần ai đó gọi API, họ thu được một khoản phí. Phí này phải bù đắp: chi phí huấn luyện, chi phí vận hành, chi phí nghiên cứu tiếp theo, và lợi nhuận cho nhà đầu tư. Nói cách khác, giá API được neo vào chi phí R&D đã chìm. Một phòng thí nghiệm open-weight chi 500 triệu USD cho một mô hình. Sau đó họ phát hành trọng số ra công chúng. Họ không bán API. Họ có thể kiếm tiền từ dịch vụ đám mây, tài trợ, hoặc các dự án thương mại khác. Nhưng trọng số thì miễn phí. Bất kỳ ai có GPU đều có thể chạy nó. Bất kỳ ai có kỹ năng đều có thể tinh chỉnh nó. Bây giờ, nếu bạn là một công ty khởi nghiệp, bạn sẽ chọn gì? Trả 0.02 USD cho mỗi 1.000 token để gọi API của một phòng thí nghiệm đóng? Hay bỏ ra 5.000 USD/tháng để thuê một cụm GPU và chạy open weights? Câu trả lời phụ thuộc vào chất lượng. Nhưng một khi open weights đạt đến ngưỡng "đủ tốt" cho 80% trường hợp sử dụng, quyết định trở nên rõ ràng. Bạn chạy open weights. Đây chính là những gì Linux đã làm với Unix vào những năm 1990, và những gì Ethereum đã làm với các blockchain độc quyền vào những năm 2010. Không phải sản phẩm tốt hơn. Chỉ là sản phẩm "đủ tốt" và miễn phí. Lịch sử không lặp lại, nhưng cấu trúc kinh tế thì có vần điệu. Naval nói: "Bạn phải trả tiền để thắng, nếu không ai đó sẽ vượt qua bạn." Tôi đồng ý. Nhưng trả tiền ở đâu? Nếu bạn trả tiền để huấn luyện một mô hình lớn gấp mười lần, bạn đang tham gia vào một cuộc chạy đua vũ trang mà đối thủ của bạn - cộng đồng open-source - không cần phải chạy cùng tốc độ. Họ có thể đi đường tắt: chắt lọc từ mô hình của bạn. Ngay khi bạn phát hành một model mới, họ dùng nó làm teacher model để huấn luyện một model nhỏ hơn với chất lượng gần tương đương. Chi phí của họ bằng một phần nhỏ chi phí của bạn. Bạn càng chi nhiều, bạn càng tạo ra nhiều nguyên liệu cho họ. Đây là điểm mù lớn nhất của Naval. Ông ấy nghĩ "cạnh tranh khốc liệt" nghĩa là người chi nhiều tiền nhất sẽ thắng. Nhưng trong một thị trường nơi sản phẩm có thể được sao chép với chi phí bằng zero, cạnh tranh khốc liệt không bảo vệ moat - nó xóa sạch biên lợi nhuận. Tôi học được điều này không phải từ sách vở, mà từ việc đọc mã nguồn. Năm 2017, tôi 19 tuổi, sinh viên năm nhất ngành Khoa học Dữ liệu tại Hong Kong. Tôi tự học Solidity và bắt đầu đọc mã nguồn của hơn 40 hợp đồng thông minh từ các dự án ICO. Tôi phát hiện 12 lỗ hổng bảo mật trong hợp đồng của Status.im. Khi tôi viết bài phân tích, tài khoản Ethereum chính thức đã retweet. 2.000 lượt xem - con số nhỏ, nhưng với tôi đó là sự xác nhận rằng việc đọc mã nguồn có giá trị. Bài học từ năm 2017: open source không có nghĩa là an toàn. Nó có nghĩa là minh bạch để bị tấn công. Nhưng cũng chính sự minh bạch đó cho phép bất kỳ ai kiểm tra, xác minh, và cải thiện. Một cộng đồng có thể tìm ra lỗi nhanh hơn bất kỳ đội ngũ nội bộ nào. Điều tương tự đang xảy ra với AI. Open weights cho phép cộng đồng thử nghiệm, tinh chỉnh, và tối ưu. Mỗi tuần lại có một kỹ thuật mới: quantization, speculative decoding, LoRA fine-tuning. Các phòng thí nghiệm đóng có thể giữ bí mật công nghệ của họ, nhưng họ không thể ngăn cộng đồng tìm ra các phương pháp tương đương hoặc tốt hơn. Và vì các mô hình open-weight có thể được kiểm tra trực tiếp, cộng đồng học nhanh hơn bất kỳ một tổ chức nào. Mùa đông crypto 2022 dạy tôi một bài học khác: khi tôi dành hai tháng để audit dYdX V4, tôi tìm thấy sáu lỗ hổng logic trong cơ chế thanh lý. Có thể gây thiệt hại 50% tài sản. Tôi viết báo cáo 40 trang, công bố trên GitHub. Đội ngũ dYdX cảm ơn và thưởng 10.000 USDC. Bài học: các lỗ hổng nghiêm trọng nhất không nằm ở công thức, mà nằm ở giả định. dYdX giả định rằng thanh khoản luôn đủ dày để thanh lý ở mức giá hợp lý. Khi thị trường biến động mạnh, giả định đó sụp đổ. Naval đang mắc một lỗi giả định tương tự. Ông ấy giả định rằng khách hàng sẽ tiếp tục trả tiền cho API vì chất lượng mô hình cao hơn. Nhưng khách hàng không chỉ quan tâm đến chất lượng. Họ quan tâm đến quyền sở hữu dữ liệu, chi phí, và khả năng kiểm soát. Một ngân hàng sẽ không gửi dữ liệu giao dịch của mình qua API của một công ty Mỹ nếu họ có thể chạy open weights trong private cloud. Một bệnh viện sẽ không gửi hồ sơ bệnh nhân ra ngoài nếu luật pháp yêu cầu dữ liệu lưu trú tại địa phương. Một công ty quốc phòng sẽ không bao giờ sử dụng API đám mây công cộng. Các phòng thí nghiệm đóng có thể nói "chúng tôi có enterprise solutions". Nhưng enterprise solutions có nghĩa là họ phải cung cấp dịch vụ tùy chỉnh, triển khai tại chỗ, tuân thủ quy định. Điều đó làm tăng chi phí vận hành và giảm biên lợi nhuận. Đó không phải là mô hình software company với biên lợi nhuận 80%. Đó là mô hình IT service company với biên lợi nhuận 20-30%. Khi thị trường nhận ra điều này, sự định giá sẽ thay đổi. Nhà đầu tư có thể sẽ không còn trả 25 lần doanh thu cho một công ty AI chỉ dựa trên tốc độ tăng trưởng API. Họ sẽ đòi hỏi lợi nhuận thực tế. Họ sẽ so sánh với các công ty dịch vụ CNTT truyền thống. Open weights không giết chết closed-source. Nhưng nó sẽ làm giảm biên lợi nhuận của closed-source. Và Naval, một nhà đầu tư có thể có các khoản đầu tư liên quan đến closed-source, có động cơ để nói rằng mọi thứ vẫn ổn. Tôi không nói ông ấy sai. Tôi chỉ nói rằng hãy nhìn vào bằng chứng, không phải tweet. Bằng chứng sẽ xuất hiện trong các quý tới. Hãy theo dõi doanh thu API của các phòng thí nghiệm đóng. Hãy theo dõi biên lợi nhuận gộp. Hãy theo dõi xem họ có bao nhiêu hợp đồng doanh nghiệp lớn và giá trị trung bình của mỗi hợp đồng. Nếu những con số này bắt đầu giảm, câu chuyện của Naval sẽ sụp đổ. Tôi không có gì chống lại Naval. Tôi chỉ chống lại cách lập luận dựa trên niềm tin thay vì cấu trúc. Trong 12 năm quan sát ngành blockchain, tôi học được rằng những người nắm giữ niềm tin mạnh mẽ thường là những người bị thị trường đánh giá lại mạnh mẽ nhất. Vào năm 2026, tôi nghiên cứu zkML - sự kết hợp giữa zero-knowledge proofs và machine learning. Tôi tối ưu zk-SNARKs cho Transformer, giảm 30% thời gian chứng minh. Bài báo của tôi được đăng trên ethresearch và nhận 100 phản hồi từ các nhà phát triển. Bài học tôi rút ra: những cải tiến lớn nhất đến từ việc hiểu rõ cấu trúc, không phải từ việc có nhiều tài nguyên hơn. Điều này đúng với blockchain, đúng với AI, và đúng với cuộc tranh luận open-source vs closed-source. Người chiến thắng trong dài hạn không phải là người có nhiều tiền nhất. Người chiến thắng là người có cấu trúc chi phí thấp nhất và khả năng thích ứng nhanh nhất. Open weights là một cấu trúc chi phí thấp. KimiK3 chỉ là một ví dụ. Sẽ còn nhiều mô hình nữa. Và mỗi lần một mô hình open-weight được phát hành, closed-source sẽ mất đi một phần pricing power. Điều này không xảy ra trong một ngày, nhưng nó đang xảy ra mỗi ngày. OpenAI có ChatGPT - một sản phẩm với hàng trăm triệu người dùng. Đó là moat. Nhưng moat đó không nằm ở closed-source, nó nằm ở distribution. Tôi gọi đây là sự dịch chuyển moat. Khi model layer trở thành commodity, giá trị dịch chuyển lên ứng dụng và hạ tầng. Câu chuyện tương tự xảy ra trong crypto: Bitcoin là giao thức, nhưng giá trị lớn nhất lại nằm ở các sàn giao dịch và ví - những lớp distribution. Nếu bạn chỉ đầu tư vào giao thức mà không hiểu distribution, bạn sẽ bỏ lỡ phần lớn giá trị. Với các kỹ sư Việt Nam, điều này có nghĩa là gì? Đầu tiên, bạn không cần phải làm việc cho OpenAI để xây dựng AI có giá trị. Bạn có thể lấy KimiK3 hoặc các open-weight model khác, tinh chỉnh cho tiếng Việt, cho các bài toán đặc thù như xử lý hợp đồng thông minh, phân tích dữ liệu tài chính, hoặc chatbot cho doanh nghiệp địa phương. Chi phí gia nhập giảm từ hàng triệu USD xuống còn vài nghìn USD. Đó là cơ hội mà closed-source stack không bao giờ cho phép. Thứ hai, hãy nhìn vào hạ tầng. Khi các mô hình open-weight trở nên phổ biến, nhu cầu về dịch vụ triển khai, tối ưu hóa GPU, và bảo mật tăng lên. Các công ty Việt Nam có thể trở thành những Red Hat của AI - cung cấp dịch vụ doanh nghiệp cho các mô hình open-weight. Đó là một thị trường đang hình thành, và những người tham gia sớm sẽ có lợi thế. Năm 2017 dạy tôi: một dòng code có thể đốt cháy cả một quỹ đầu tư. Năm 2026 dạy tôi: một open-weight model có thể đốt cháy cả một mô hình định giá. DeFi hè 2020 dạy tôi: tối ưu là vô hạn. Nhưng giá trị thì hữu hạn - và nó luôn chảy về phía những người hiểu cấu trúc sâu nhất. Câu hỏi cuối cùng tôi muốn đặt ra cho những ai đang giữ cổ phiếu hoặc token của các công ty AI: bạn đang định giá một model company hay một service company? Nếu bạn đang định giá model company, bạn có thể sẽ thức dậy vào một ngày đẹp trời và thấy thị trường đã điều chỉnh mà không cần xin phép bạn.