Các mô hình AI mở đang bắt kịp các mô hình biên giới đóng trong một nửa thời gian, các phát hiện bán phân tích

Theo một phân tích mới của công ty nghiên cứu bán dẫn SemiAnalysis, các mô hình AI trọng lượng mở đang thu hẹp khoảng cách với các mô hình biên giới đóng với tốc độ đáng kinh ngạc: với mỗi kỷ nguyên kế tiếp của các mô hình ngôn ngữ lớn, các mô hình mở chỉ mất một nửa thời gian để bắt kịp mô hình đóng đầu tiên của kỷ nguyên đó.

Nghiên cứu có tiêu đề "Các mô hình mở có bắt kịp không?" và được xuất bản vào ngày 21 tháng 8 bởi Evan Cloutier, Max Kan, Jordan Nanos và Dylan Patel, là một trong những nỗ lực có hệ thống nhất để định lượng một câu hỏi treo lơ lửng trên toàn bộ ngành công nghiệp AI: nếu các mô hình mở vẫn có khả năng gần như biên giới đóng với một phần chi phí, liệu các phòng thí nghiệm biên giới có hoạt động kinh doanh bền vững không? Để biết thông tin chi tiết về các phiên bản mô hình thúc đẩy sự thay đổi này, hãy theo dõi AI Buzz Wire.

Ba kỷ nguyên của Frontier AI

Các tác giả lập luận rằng lịch sử của LLM rơi vào ba thời đại riêng biệt - mở rộng quy mô ban đầu, lý luận và tác nhân - mỗi thời đại thể hiện sự gia tăng chức năng từng bước trong những gì mô hình có thể thực hiện một cách hữu ích.

Quan điểm phương pháp luận cốt lõi của họ là việc so sánh các mô hình giữa các thời đại với một điểm chuẩn duy nhất là một sai lầm. Mọi điểm chuẩn đều là sản phẩm của thời đại nó: nó được tạo ra để phân biệt những khác biệt về năng lực tồn tại vào thời điểm đó, sau đó được các nhà sản xuất mô hình nâng cao cho đến khi bão hòa, lúc đó ngành công nghiệp ngừng quan tâm và tiếp tục. Thay vào đó, nhóm SemiAnalysis đã chạy các bộ tiêu chuẩn được tuyển chọn cho các mô hình của từng thời đại để tạo ra điểm khả năng tổng hợp.

Nhìn theo cách này, khoảng cách mở và đóng di chuyển theo chu kỳ. Khi bắt đầu mỗi kỷ nguyên, một phòng thí nghiệm biên giới hoàn thành nghiên cứu đầy hứa hẹn, đào tạo một mô hình ấn tượng và vượt lên phía trước. Sau đó, các phòng thí nghiệm khác sẽ xác định những tiến bộ quan trọng, thiết kế ngược chúng và thu hẹp khoảng cách. Các tác giả viết: “Không có gì là bí mật mãi mãi - đặc biệt là khi bạn tính đến quá trình chưng cất”. "Vấn đề chỉ là mất bao lâu thôi."

Việc đo lường câu hỏi đó của họ đã tạo ra phát hiện tiêu đề của nghiên cứu: với mỗi thế hệ, các mô hình nguồn mở mất một nửa thời gian để bắt kịp mô hình nguồn đóng đầu tiên của thời đại.

Tại sao chu kỳ này lại có cảm giác khác

Báo cáo thẳng thừng về sự khác biệt giữa thời điểm mô hình mở trong quá khứ và thời điểm hiện tại. Các tác giả lưu ý rằng “Khoảnh khắc DeepSeek” vào tháng 1 năm 2025 đã gây chú ý nhưng “không ai thực sự sử dụng R1 để thực hiện bất kỳ công việc nào có giá trị kinh tế”.

Ngược lại, họ chỉ ra các mô hình như GLM 5.3 và Kimi K3 là "thực sự có khả năng thực hiện nhiều nhiệm vụ mã hóa và tác nhân tương tự đã đưa Anthropic lên 65 tỷ USD + ARR" — ám chỉ đến quỹ đạo doanh thu mà khối lượng công việc mã hóa và tác nhân đã thúc đẩy nhà sản xuất Claude. Tuyên bố đó có sức nặng đặc biệt vì những mô hình mở này không chỉ là sản phẩm demo; chúng đang được triển khai trong sản xuất cho cùng những nhiệm vụ tạo ra doanh thu thực tế cho các phòng thí nghiệm đã đóng cửa.

Số lượng sử dụng củng cố sự thay đổi. Theo SemiAnalysis, Fireworks, một nhà cung cấp suy luận phục vụ nhiều mô hình mở, hiện đang xử lý hơn 40 nghìn tỷ mã thông báo mỗi ngày - gấp đôi khối lượng API của OpenAI vào cuối tháng 3. Như báo cáo đã nêu, đây là "thời điểm thú vị để trở thành người tiêu dùng mã thông báo", với cuộc chiến giành mã thông báo hiện đã vượt xa sự độc quyền của OpenAI–Anthropic.

Câu hỏi về hàng hóa hóa

Nghiên cứu trực tiếp giải quyết nỗi sợ hãi - mà nó gắn nhãn FUD từ một số góc cạnh - rằng các mô hình mở giá rẻ, có khả năng sẽ hoàn toàn thương mại hóa lớp mô hình, một kết quả sẽ là thảm họa đối với lợi nhuận của các phòng thí nghiệm biên giới.

Phần công khai của phân tích chưa có câu trả lời đầy đủ, hướng người đọc đến Mô hình Tokenomics trả phí của công ty để xử lý chi tiết về tài chính của OpenAI và Anthropic. Nhưng hướng đi rất rõ ràng: nếu các mô hình mở của mỗi thời đại xuất hiện trong thời gian bằng một nửa thời gian của thời đại trước, thì cơ hội mà các phòng thí nghiệm đóng cửa có thể tính giá cao cho năng lực tiên phong sẽ tiếp tục thu hẹp lại.

Các tác giả cũng cảnh báo không nên coi xu hướng này là bản án tử hình đối với nghiên cứu biên giới. Họ viết, điểm chuẩn "không kể toàn bộ câu chuyện" và kết luận của báo cáo được mô tả là "ít giảm giá" đối với các mô hình biên giới hơn những gì người đọc có thể nghĩ ban đầu - một phần vì điểm chuẩn tương đương thô không giống như điểm tương đương về độ tin cậy, tích hợp sản phẩm, phân phối doanh nghiệp hoặc vốn cần thiết để phục vụ các mô hình trên quy mô lớn.

Tại sao nó lại quan trọng

Đối với người mua, các phát hiện này xác nhận một chiến lược mà nhiều doanh nghiệp đã áp dụng: mặc định sử dụng các mô hình mở hoặc rẻ hơn cho phần lớn khối lượng token trong khi dành các mô hình đóng cao cấp cho các nhiệm vụ khó khăn nhất. Đối với các phòng thí nghiệm, nó định lượng sức ép mà họ phải đối mặt trên hai mặt trận — các mô hình mở bên dưới và chi phí tính toán khổng lồ ở trên.

Và đối với hệ sinh thái nguồn mở, dữ liệu SemiAnalysis cung cấp thứ thường bị thiếu hụt: bằng chứng, chứ không phải hệ tư tưởng, rằng khoảng cách đang thu hẹp theo một lịch trình có thể dự đoán được. Nếu mô hình nửa thời gian giữ vững trong kỷ nguyên tiếp theo của AI biên giới, thì câu hỏi có giá trị nhất của ngành không phải là liệu các mô hình mở có bắt kịp hay không mà là điều gì vẫn có thể phòng thủ được sau khi chúng bắt kịp.

Theo dõi cuộc đua AI hạng cân mở Đọc thêm tin tức về AI →