Con Đường Mười Nghìn Tỷ Đô La Của DeepSeek: Dùng Mã Nguồn Mở Để Bẩy Lên Hệ Sinh Thái Phần Cứng Trị Giá Nghìn Tỷ

marsbitXuất bản vào 2026-05-25Cập nhật gần nhất vào 2026-05-25

Tóm tắt

DeepSeek có thể không tập trung vào việc kiếm tiền trực tiếp từ các mô hình hay dịch vụ đăng ký. Thay vào đó, chiến lược dài hạn của họ nhằm tạo ra một hệ sinh thái phần cứng AI thay thế trị giá 10 nghìn tỷ USD, từ đó đạt được định giá 1 nghìn tỷ USD cho chính mình. Thông qua một loạt đổi mới kiến trúc cơ bản như MoE, MLA, DSA, CSA, Engram và mHC, DeepSeek tập trung giải quyết vấn đề then chốt: chạy các mô hình mạnh hơn với ít năng lực tính toán cao cấp hơn. Cụ thể, các kỹ thuật nén KV Cache giúp giảm mạnh sự phụ thuộc vào bộ nhớ HBM đắt đỏ và khan hiếm. Điều này mở đường cho việc sử dụng SSD (NAND) để lưu trữ cache dài hạn và LPDDR để tải trọng số mô hình theo luồng, vốn là những lĩnh vực mà các nhà sản xuất Trung Quốc như YMTC và CXMT đang phát triển. Những đổi mới này không chỉ giảm áp lực lên GPU/ASIC mà còn tạo cơ hội cho nhiều nhà cung cấp phần cứng hơn. Dự án TileLang của DeepSeek cũng nhằm mục đích làm suy yếu "hào cua" CUDA, giúp phần cứng đa dạng hơn có thể chạy các tác vụ AI hiệu quả. Bằng cách mở rộng các kỹ thuật này thông qua mã nguồn mở, DeepSeek đang định hình lại cơ cấu chi phí của cơ sở hạ tầng AI, biến phần cứng thay thế trở nên khả thi và tạo ra một thị trường khổng lồ. Về mặt thương mại, giống như OpenAI có quyền mua cổ phần của AMD, DeepSeek có thể đạt được các thỏa thuận tương tự với các nhà sản xuất phần cứng Trung Quốc, chia sẻ giá trị từ sự phát triển của cả một ngành công nghiệp mới. Tóm lại, DeepSeek không bán mô hình, mà bán "tính khả thi" của ...

Tiêu đề gốc:DeepSeek's 10 trillion USD grand strategy

Tác giả gốc:@bookwormengr

Biên dịch gốc:Peggy,BlockBeats

Lời của biên tập viên:Trong năm qua, phần lớn thảo luận xoay quanh DeepSeek tập trung vào hiệu suất mô hình, chiến lược mã nguồn mở và cuộc chiến giá. Nhưng nếu chỉ hiểu DeepSeek từ góc độ "có bán gói đăng ký không", "có đa phương thức không", "có thể làm coding agent không", có thể chúng ta đang đánh giá thấp thứ mà nó thực sự muốn thay đổi.

Bài viết này đưa ra một đánh giá triệt để hơn: Mục tiêu của DeepSeek chưa chắc đã là kiếm tiền ngắn hạn thông qua lớp ứng dụng, mà là thông qua một loạt đổi mới kiến trúc cơ sở, định hình lại cấu trúc chi phí huấn luyện và suy luận AI, và gián tiếp thúc đẩy sự hình thành của một hệ sinh thái phần cứng mới. Từ MoE, MLA đến DSA, CSA, mHC, Engram, rồi đến Dual Path và TileLang, con đường công nghệ của DeepSeek luôn xoay quanh một vấn đề cốt lõi: Trong điều kiện HBM, tiến trình bán dẫn tiên tiến, đóng gói và hệ sinh thái CUDA đều bị hạn chế, làm thế nào để chạy ra mô hình mạnh hơn với lượng tính toán cao cấp ít hơn.

Điều đáng chú ý nhất trong bài viết, không phải là "DeepSeek có kiếm được vài tỷ đô la từ API hay gói đăng ký không", mà là liệu nó có đang gắn kết khả năng mô hình, hệ thống bộ nhớ và hệ sinh thái phần cứng nội địa lại với nhau hay không. Việc nén KV Cache làm giảm sự phụ thuộc vào HBM, NAND và SSD có thể đảm nhận bộ nhớ đệm dài hạn, LPDDR có thể dùng để tải trọng số theo luồng và lưu trữ Engram, còn TileLang thì cố gắng làm suy yếu hào sâu bảo vệ CUDA. Nếu những đổi mới này tiếp tục lan rộng, người hưởng lợi sẽ không chỉ là bản thân DeepSeek, mà còn bao gồm lưu trữ, ASIC, GPU, chip mạng và toàn bộ chuỗi cơ sở hạ tầng AI.

Tất nhiên, những đánh giá về "hệ sinh thái công nghiệp 10 nghìn tỷ đô la" và "định giá 1 nghìn tỷ đô la" trong bài vẫn mang màu sắc suy diễn mạnh. Nhưng nó cung cấp một con đường quan trọng để hiểu DeepSeek: Mã nguồn mở không nhất thiết có nghĩa là từ bỏ thương mại hóa, giá thấp cũng không nhất thiết chỉ là trợ cấp thị trường. Đối với DeepSeek, việc kinh doanh thực sự có thể không nằm ở lớp ứng dụng, mà ở việc giúp nhiều phần cứng hơn trở nên khả dụng, biến nguồn cung AI chi phí thấp hơn trở thành hiện thực. Nói cách khác, thứ nó bán chưa chắc đã là bản thân mô hình, mà là tính khả thi của cơ sở hạ tầng AI thế hệ tiếp theo.

Dưới đây là nội dung gốc:

Bạn đã bao giờ tự hỏi, DeepSeek rốt cuộc sẽ kiếm tiền như thế nào, và có lẽ kiếm được rất nhiều tiền?

Nó không giống như GLM, MoonShot hay MiniMax, những nơi đã đưa ra các gói đăng ký lập trình cạnh tranh; cũng không có mô hình đa phương thức, âm thanh, video. Cho đến nay, nó thậm chí còn chưa có harness của riêng mình - tức là khung chạy lớp ngoài dùng để gọi mô hình, tích hợp công cụ và thực thi tác vụ – mặc dù gần đây họ đã bắt đầu tuyển dụng các vị trí liên quan, chuẩn bị xây dựng hệ thống này.

Đồng thời, DeepSeek dường như còn đứng về phía mã nguồn mở một cách kiên định lâu dài, thậm chí rất sẵn lòng chia sẻ công khai "bí quyết" của mình. Điều này chẳng phải là điên rồ sao? Chẳng phải là đang đốt tiền vô ích sao? Những nhà đầu tư chuẩn bị rót 100 tỷ đô la vào nó, chẳng lẽ đang ném tiền xuống cống?

Cá nhân tôi cho rằng, câu trả lời hoàn toàn ngược lại.

Tiếp theo, dựa trên những việc DeepSeek đã làm cho đến nay, tôi sẽ đưa ra một số quan sát và phân tích về một chiến lược mà nó dường như đang tuân theo. Mục tiêu của CEO DeepSeek Lương Văn Phong, có thể không chỉ giới hạn ở cuộc cạnh tranh mô hình trước mắt. Ông ấy có lẽ đang nhắm đến một giải thưởng lớn hơn: DeepSeek có cơ hội đạt mức định giá 1 nghìn tỷ đô la, đồng thời thúc đẩy hình thành một ngành công nghiệp mới trị giá 10 nghìn tỷ đô la.

Bài báo của TechInAsia về vòng gọi vốn mới nhất của DeepSeek

Trở lại "Hành Trình Anh Hùng" Của DeepSeek

DeepSeek luôn đi ngược chiều gió. Họ không chọn việc liên tục ra mắt các mô hình mạnh hơn một chút, rồi vội vàng đóng gói chúng thành các ứng dụng có thể kiếm tiền trực tiếp, như gói đăng ký lập trình. Ngày 27 tháng 1 năm 2025, tôi đã đăng một bài tweet được lan truyền rộng rãi, kể về "Hành trình anh hùng" của DeepSeek trong mắt tôi. Giờ đây, câu chuyện này càng trở nên thú vị hơn.

Khi những người khác còn đang cố gắng xây dựng mô hình dày đặc, DeepSeek đã chọn Mô hình Hỗn hợp Chuyên gia (Mixture of Experts, MoE) khó huấn luyện hơn.

Họ áp dụng phương pháp "Nguyên lý đầu tiên" (First-Principle), phát minh thuật toán GRPO mới để thay thế thuật toán học tăng cường PPO phổ biến lúc bấy giờ nhưng có chi phí triển khai cao hơn.

Họ phát hiện ra rằng, Học tăng cường từ Phần thưởng Có thể xác minh (Reinforcement Learning from Verified Rewards, RLVR), là chiến lược then chốt để nâng cao khả năng suy luận của mô hình.

Họ cũng đề xuất một chiến lược giải mã suy đoán đơn giản thông qua "Dự đoán Đa Token" (Multi Token Prediction), đồng thời làm cho tín hiệu huấn luyện trở nên dày đặc hơn.

Họ hoàn thiện đường ống "Bong bóng Không" (ZERO bubble) để nâng cao hiệu quả sử dụng tài nguyên GPU có hạn.

Họ phát hành bộ cân bằng tải chuyên gia, giúp mọi người dễ dàng triển khai mô hình MoE hơn. Đặc biệt thông qua chiến lược "Song song Chuyên gia Rộng" (Wide Expert Parallel), mô hình có thể phục vụ với batch lớn hơn, từ đó giảm đáng kể chi phí suy luận.

Họ phát minh ra các cơ chế MLA, DSA, CSA, HCA để giảm nhu cầu về KV Cache, và làm cho nhu cầu tính toán tăng theo chiều dài ngữ cảnh càng giữ ở mức gần như không đổi càng tốt.

Họ phát minh ra Engram, dùng bộ nhớ để đổi lấy hiệu quả tính toán.

Họ còn phát minh ra mHC, cho phép đào tạo ổn định ngay cả khi mở rộng quy mô mô hình. Còn nhiều ví dụ tương tự khác.

Trong cấu trúc tự sự phổ biến nhất là "Hành trình Anh hùng", người anh hùng không bao giờ quyết định ngay từ đầu cuộc hành trình của mình thực sự dẫn đến đâu. Anh ta học hỏi trên suốt chặng đường, dần dần khám phá ra sứ mệnh vĩ đại thực sự của mình, và hoàn thành nó dưới vô vàn trở ngại. Anh ta sẽ gặp nhiều kẻ nghi ngờ, nhưng anh ta chọn phớt lờ họ. Anh ta cũng sẽ gặp nhiều kẻ hành động ác ý. Anh ta có những khiếm khuyết hoặc điểm yếu rõ ràng, nhưng cuối cùng sẽ vượt qua những vấn đề này để hoàn thành sứ mệnh. Anh ta đối mặt với những thách thức tưởng chừng không thể vượt qua, nhưng lại tìm được cách liên minh, và học cách sử dụng khôn ngoan các nguồn lực có hạn và quý giá. Chính điều này khiến khán giả muốn cổ vũ cho người anh hùng. Đây cũng là lý do DeepSeek giành được những người theo dõi, sự tôn trọng toàn cầu và cả những kẻ phản đối.

Như tôi sẽ giải thích chi tiết dưới đây, DeepSeek đã đi trên con đường này từ lâu, và dần dần khám phá ra số phận tối thượng của mình: Mục tiêu của nó không phải là bán gói đăng ký lập trình, mà là thúc đẩy một hệ sinh thái phần cứng AI Trung Quốc trị giá 10 nghìn tỷ đô la, và để bản thân đạt được mức định giá 1 nghìn tỷ đô la. Trong quá trình này, nó cũng sẽ tạo ra cơ hội cho nhiều tân binh trong hệ sinh thái phần cứng phương Tây.

Hãy Bắt Đầu Với Một Số Tính Toán KV Cache Thú Vị

Hãy xem bài tweet rất kịp thời gần đây của @SemiAnalysis_ :

DeepSeek đã giải quyết vấn đề này tốt hơn bất kỳ ai!

Trước tiên hãy làm một vài phép tính KV Cache thú vị. Đừng lo, ngay cả khi bạn không thích toán học cũng không sao. Chúng tôi sẽ sử dụng máy tính KV Cache mới được phát hành gần đây, để xem DeepSeek V4 Pro có thể tiết kiệm được bao nhiêu KV Cache, và so sánh nó với các mô hình GLM và Qwen mới nhất.

Tôi tính với độ dài ngữ cảnh 1 triệu token, giả định độ chính xác KV là 8 bit, độ chính xác bộ lập chỉ mục là 16 bit. Bạn cũng có thể tự mở máy tính này ra thử: https://kvcache.ai/tools/kv-cache-calculator/

Bạn cũng có thể tự mở máy tính ra thử!

Ở độ dài ngữ cảnh 1 triệu token:

·DeepSeek V4 chỉ cần 5.48GB HBM;

·GLM-5 cần 60GB HBM;

·Qwen3-235B-A22B thì cần tới 89GB HBM.

Cần lưu ý:

·DeepSeek là một mô hình 1,6 nghìn tỷ tham số;

·GLM-5 vào khoảng 700 tỷ tham số, và đã sử dụng MLA và DSA của DeepSeek, tuy nhiên chưa sử dụng cơ chế chú ý nén mới nhất;

·Qwen3-235B-A22B vào khoảng 235 tỷ tham số, sử dụng cơ chế chú ý GQA.

DeepSeek đã có những đóng góp cơ bản trong việc giảm áp lực bộ nhớ. Nếu những đổi mới kiểu này được áp dụng rộng rãi, chi phí vận hành Agent chu kỳ dài sẽ giảm đáng kể, và mở khóa loạt ứng dụng mới tiếp theo.

So sánh chiếm dụng KV Cache với độ dài ngữ cảnh 1 triệu Token và quy mô mô hình

Phương Pháp Luận Đằng Sau Sự "Điên Rồ"

KV Cache có dung lượng nhỏ đến vậy, đồng thời không hy sinh chất lượng mô hình, chính là lý do DeepSeek có thể cung cấp bộ nhớ đệm dài hạn với giá cực thấp – giá của nó thậm chí chưa bằng 3% giá khi cache trúng của Sonnet 4.6, và DeepSeek có thể giữ cache trong vài giờ.

Đối với các tác vụ chu kỳ dài, KV Cache nhỏ hơn có nghĩa là có thể dỡ nó xuống SSD một cách kinh tế hơn, và tải lại khi cần. Bằng cách này, sẽ giảm sự phụ thuộc vào HBM. Nhìn từ góc độ ngành công nghiệp phần cứng AI Trung Quốc, HBM không chỉ nguồn cung khan hiếm, mà còn là loại bộ nhớ khó sản xuất nhất.

Ngoài ra, DeepSeek còn phát triển công nghệ tải KV Cache từ SSD nhanh hơn, điểm này đã được mô tả trong bài báo Dual Path của họ.

DeepSeek V4 nén KV Cache đến mức thậm chí bước này có thể không còn cần thiết nữa.

Vậy, Ai Là Người Hưởng Lợi Trực Tiếp Nhất Từ Việc Nén KV Cache?

Ai đang cung cấp SSD quy mô lớn? Đừng quên, YMTC (Yangtze Memory Technologies Co.) đang trở thành gã khổng lồ trong lĩnh vực 3D NAND. NAND có thể giúp DeepSeek tránh tính toán lại KV. Ngược lại, DeepSeek cũng tạo ra một thị trường khổng lồ cho NAND và SSD – điều này sẽ không chỉ có lợi cho Yangtze Memory, mà còn cho các nhà sản xuất liên quan khác.

Tuy nhiên, điều này không chỉ liên quan đến NAND và SSD.

Bộ nhớ LPDDR cũng có tiềm năng to lớn. Nó có thể là nơi lưu trữ trọng số mô hình, và truyền trọng số này theo luồng vào HBM khi cần, từ đó giảm áp lực nhu cầu đối với HBM. Đội SGLang đã xuất bản một bài blog hay để giới thiệu về giải pháp này. Hình ảnh dưới đây minh họa cách thức hoạt động của giải pháp.

Mặc dù DeepSeek không có thiết kế đặc biệt nào dành riêng cho giải pháp này, nhưng kiến trúc MoE, bản thân có nhiều mô hình chuyên gia, và đặc tính trọng số 4 bit của nó, đều khiến giải pháp này dễ triển khai hơn.

Sơ đồ này minh họa cách bộ nhớ có thể được sử dụng, và cách trọng số mô hình được truyền từ LPDDR vào HBM. Rất khuyến khích mọi người đọc bài blog của SGLang.

Sự đổi mới này nếu kết hợp với KV Cache cực kỳ nhỏ gọn và không mất mát, sẽ giảm đáng kể nhu cầu về HBM.

Vậy, ở Trung Quốc ai đang sản xuất LPDDR? Câu trả lời là CXMT, tức ChangXin Memory Technologies. Về tốc độ LPDDR, họ chỉ tụt hậu khoảng nửa thế hệ, về mật độ thì tụt hậu một thế hệ, khoảng cách không quá lớn.

Bên cạnh nguồn cung NAND dồi dào, hệ sinh thái AI Trung Quốc trong tương lai gần, cũng sẽ có nguồn cung LPDDR dồi dào. Điều này có thể giảm áp lực tính toán không? Câu trả lời là: Có. Hãy tiếp tục xem.

Sử Dụng Bộ Nhớ Thông Minh Cũng Có Thể Giảm Áp Lực Cho GPU / ASIC

Tác dụng của việc sử dụng NAND để lưu KV Cache thực ra rất dễ hiểu: Nó có thể giữ KV Cache lâu hơn, giảm áp lực lên HBM, đồng thời tránh tính toán lại KV Cache, từ đó giảm gánh nặng tính toán cho GPU và ASIC.

Vậy LPDDR có thể hoạt động theo cách tương tự không? Ngoài việc là một vị trí lưu trữ có thể truyền trọng số "theo nhu cầu tức thời" vào HBM, nó có thể giảm thêm áp lực tính toán không?

Câu trả lời là: Có.

LPDDR có thể dùng để lưu trữ một lượng lớn nội dung được gọi là Engram. Trong bài báo Engram của DeepSeek, họ chỉ ra rằng, MoE có thể mở rộng dung lượng mô hình thông qua tính toán có điều kiện, nhưng bản thân Transformer thiếu một cơ chế "tìm kiếm kiến thức" gốc. Do đó, Transformer thường phải mô phỏng quá trình truy xuất một cách kém hiệu quả thông qua tính toán.

Để giải quyết vấn đề này, DeepSeek đề xuất mô-đun Engram. Nó hiện đại hóa classic N-gram embedding, cải tạo thành một cơ chế tìm kiếm dựa trên băm O(1), từ đó tạo ra một con đường thưa thớt bổ sung mà họ gọi là bộ nhớ có điều kiện (conditional memory).

Cách này có thể tiết kiệm tính toán, nhưng cũng cần bộ nhớ để chứa bảng embedding, và bản thân bảng này có thể rất lớn.

Về bản chất, đây là một giải pháp điển hình "đổi bộ nhớ lấy tính toán". Nhưng điểm mấu chốt nhận ra là: Xét về chi phí đọc mỗi bit dữ liệu, phía "bộ nhớ" rẻ hơn nhiều – một lần tra cứu LPDDR, rẻ hơn rất nhiều so với việc để dữ liệu đi qua đầy đủ nhiều lớp Transformer để tính toán một lần truyền thẳng. Do đó, ở quy mô lớn, đây là một sự đánh đổi rất có lợi.

Đây là cách DeepSeek hy sinh một phần bộ nhớ để đổi lấy việc tiết kiệm tính toán.

Sự đánh đổi đáng giá

Do không có mật độ transistor chip ngang bằng, cũng không có EUV, GPU và ASIC Trung Quốc về sức mạnh tính toán FLOPs thô, rất có thể sẽ tụt hậu so với GPU phương Tây trong thời gian dài. Họ cũng vẫn có khoảng cách rõ rệt trong lĩnh vực đóng gói tiên tiến. Vì vậy, loại đánh đổi này rất đáng làm, đặc biệt trong điều kiện Trung Quốc có thể sản xuất hàng loạt bộ nhớ NAND và LPDDR.

Nhìn Lại Chiến Lược Dài Hạn Của DeepSeek

Từ những đổi mới này, mục tiêu của DeepSeek dường như không phải là kiếm lợi nhuận vài tỷ đô la trước mắt. Nhiều lựa chọn họ đưa ra trong quá khứ đã chứng minh điều này: Đến nay vẫn chưa có đa phương thức, không có mô hình giọng nói, mô hình video thì càng không.

Thứ họ thực sự tham gia, là một trò chơi dài hạn kiên nhẫn, có quy mô có thể lên tới 10 nghìn tỷ đô la: Thúc đẩy sự hình thành của một hệ sinh thái phần cứng AI thay thế.

Điều này không chỉ để các nhà sản xuất bộ nhớ Trung Quốc trở thành những người chơi chủ chốt trong thị trường phần cứng AI Trung Quốc và toàn cầu, mà còn để về cơ bản giảm nhu cầu tài nguyên, khiến việc huấn luyện và phục vụ mô hình AI trở nên hiệu quả hơn về chi phí. Bằng cách này, nhiều nhà sản xuất GPU, ASIC, cũng như các nhà sản xuất chip mạng, đều có cơ hội trở thành lựa chọn khả thi.

Đồng thời, những đổi mới này cũng sẽ mang lại lợi ích cho hệ sinh thái mã nguồn mở phương Tây, và các nhà sản xuất phần cứng thế hệ mới.

Tất cả các dấu hiệu thực ra đã xuất hiện. Chúng ta hãy xem xét chi tiết những đổi mới mà DeepSeek đã đề xuất cho đến nay:

1. Mô hình Hỗn hợp Chuyên gia (MoE) và MLA được giới thiệu trong DeepSeek V2

DeepSeek giới thiệu MoE và MLA trong V2. MoE giúp giảm khoảng 40% đến 50% lượng tính toán cần thiết để huấn luyện mô hình thông minh cao; MLA thì giúp giảm KV Cache 90%.

Điều này khiến việc dỡ KV Cache xuống SSD trở nên khá hiệu quả.

Những ý tưởng này lần đầu xuất hiện trong bài báo DeepSeek V2 do DeepSeek phát hành vào tháng 5 năm 2024. Sau đó, chúng cũng đặt nền móng cho việc huấn luyện DeepSeek V3. Khi đó, DeepSeek chỉ sử dụng 2048 GPU H800 bị làm suy yếu hiệu năng, đã huấn luyện được một hệ thống có hiệu suất gần bằng mô hình mã đóng.

2. DSA: Được giới thiệu trong DeepSeek V3.2 Exp, dùng để giảm chi phí tính toán trong các tình huống ngữ cảnh dài, đồng thời giảm áp lực băng thông HBM.

Tác dụng cốt lõi của DSA, là đảm bảo khối lượng tính toán không tăng liên tục theo sự gia tăng của độ dài ngữ cảnh. Có thể xem biểu đồ dưới đây: Khi độ dài ngữ cảnh tăng, thời gian xử lý của DeepSeek-V3.2 về cơ bản vẫn ổn định.

3. mHC: DeepSeek đề xuất vào tháng 12 năm 2025 trong bài báo "mHC: Manifold-Constrained Hyper-Connections".

mHC là một đổi mới về kiến trúc vĩ mô của DeepSeek, nó thiết kế lại cách thông tin lưu chuyển giữa các lớp Transformer.

Trước đây, từ ResNet trở đi, mô hình thường sử dụng kết nối dư chuẩn, tức là x + F(x). Cách làm của mHC, là mở rộng luồng dư thành nhiều kênh thông tin song song, và cho phép mô hình trộn có thể học được giữa các kênh này. Điểm mấu chốt, nó sẽ ràng buộc ma trận trộn thành ma trận hai ngẫu nhiên, tức là thông qua phép chiếu Sinkhorn-Knopp để giới hạn nó trên đa diện Birkhoff. Bằng cách này, về mặt toán học có thể đảm bảo, cho dù mô hình xếp chồng sâu đến đâu, biên độ tín hiệu đều có thể duy trì ổn định.

Điều này giải quyết vấn đề mất ổn định thảm khốc mà các Hyper-Connections không ràng buộc trước đây phải đối mặt. Hyper-Connections ban đầu được ByteDance đề xuất, nhưng trong điều kiện không ràng buộc, sự khuếch đại tín hiệu ở quy mô 27 tỷ tham số đã tăng vọt lên 3000 lần, cuối cùng dẫn đến huấn luyện sụp đổ hoàn toàn.

Chi phí tính toán của mHC rất thấp: Nó chỉ mang lại khoảng 6,7% chi phí thời gian huấn luyện thực tế, bởi vì nó không thay đổi FLOPs của lớp chú ý hay lớp FFN, mà chỉ thay đổi cách định tuyến đầu ra của các lớp này giữa các lớp.

Nhưng hiệu suất mà nó mang lại khá rõ ràng: Ở quy mô 27 tỷ tham số, mHC nâng điểm 7,2 trên tác vụ suy luận BIG-Bench Hard, 3,2 điểm trên DROP, 2,8 điểm trên tác vụ toán GSM8K, 1,4 điểm trên tác vụ kiến thức chung MMLU. Và những cải thiện này đều đạt được ở cùng quy mô mô hình, với ngân sách tính toán gần như tương tự.

Về bản chất, mHC thông qua việc cung cấp cho mạng lưới một cấu trúc liên kết định tuyến thông tin xuyên lớp phong phú hơn, biểu đạt hơn, đã đạt được trí thông minh trên mỗi tham số cao hơn trong khi hầu như không tăng thêm FLOPs.

mHC là một thiết kế kiến trúc phức tạp, nhưng nó có thể mang lại quá trình huấn luyện ổn định hơn, và trí thông minh trên mỗi tham số cao hơn.

4. CSA, HSA: DeepSeek giới thiệu trong V4 vào tháng 4 năm 2026.

Mục tiêu của CSA và HSA, là thông qua nén KV Token, giảm thêm 90% nhu cầu KV Cache, đồng thời giảm đáng kể FLOPs cần thiết, từ đó giảm áp lực đồng thời cho HBM cũng như GPU / ASIC.

5. Engram: DeepSeek giới thiệu vào Quý I năm 2026, về bản chất là ở một mức độ nào đó sử dụng bộ nhớ, tức là bộ nhớ LPDDR, để đổi lấy hiệu quả tính toán.

Như biểu đồ chi tiết bên dưới cho thấy, trong ngân sách tổng tham số tương tự, Engram mang lại sự cải thiện hiệu suất rõ ràng.

6. Engram: DeepSeek giới thiệu vào Quý I năm 2026, về bản chất là ở một mức độ nào đó sử dụng bộ nhớ, tức là bộ nhớ LPDDR, để đổi lấy hiệu quả tính toán.

Như biểu đồ chi tiết bên dưới cho thấy, trong ngân sách tổng tham số tương tự, Engram mang lại sự cải thiện hiệu suất rõ ràng.

Đây là đề xuất mà DeepSeek chia sẻ cho các nhà sản xuất phần cứng trong bài báo V4. Tôi chắc chắn rằng, trong giao tiếp ngoại tuyến, phản hồi họ đưa ra còn nhiều hơn.

7. Sự đầu tư vào TileLang, cũng hướng đến cùng một hướng: DeepSeek không chỉ giải quyết điểm nghẽn tính toán của riêng mình, mà còn thúc đẩy hệ sinh thái phần cứng Trung Quốc có khả năng cạnh tranh với hệ sinh thái phương Tây.

Với TileLang, nhà phát triển có thể chỉ viết kernel một lần, tức là mã cấp thấp dùng để tính toán, sau đó để nó chạy thành công trên nhiều nền tảng phần cứng, với điều kiện các nền tảng này đã có hỗ trợ backend TileLang tương ứng.

Tôi dự đoán, các phòng thí nghiệm AI Trung Quốc khác cũng sẽ lần lượt tham gia. Điều này sẽ giúp các nhà sản xuất phần cứng Trung Quốc đối phó với cái gọi là "hào sâu bảo vệ CUDA" một cách gián tiếp. Đồng thời, nó cũng sẽ giải phóng tiềm năng của nhiều phần cứng phương Tây hơn, như AMD.

Cần lưu ý: Nhiều nền tảng phần cứng AI Trung Quốc đã cung cấp khả năng tương thích CUDA, hoặc lớp chuyển dịch CUDA. Ví dụ, Moore Thread, MetaX, Biren và Iluvatar Core, đều là những nhà sản xuất chip Trung Quốc đạt độ tương thích CUDA cao thông qua lớp chuyển dịch. Do đó về lý thuyết, họ không nhất thiết cần TileLang.

Học Tăng Cường Quy Mô Lớn Và RSI

Khi DeepSeek có thêm nguồn tính toán, tức là phần cứng lựa chọn tăng lên, đồng thời nhu cầu tài nguyên tính toán của chính mô hình giảm xuống, nó sẽ có thể thúc đẩy các dự án huấn luyện đầy tham vọng hơn, đặc biệt là huấn luyện hậu học tăng cường.

Học tăng cường cần tạo ra một lượng lớn quỹ đạo, tức là tạo ra hàng nghìn tỷ Token. Quá trình này sẽ nhanh chóng trở nên cực kỳ tốn kém. Hơn nữa, nếu muốn huấn luyện mô hình độ dài ngữ cảnh 1 triệu, cần tạo ra quỹ đạo cùng độ dài. Chỉ khi huấn luyện mô hình trên những quỹ đạo siêu dài như vậy, mới thực sự hỗ trợ được các tác vụ chu kỳ dài.

Ngoài ra, do các tùy chọn phần cứng tăng lên, tài nguyên phần cứng mà DeepSeek có thể gọi cũng sẽ nhiều hơn, điều này sẽ thúc đẩy nghiên cứu tự động hóa, tức là RSI. RSI đề cập đến việc AI tự thiết kế và thực hiện thí nghiệm. Phương pháp này sẽ liên quan đến nhiều lần thử sai, và chi phí cũng sẽ tăng nhanh. Nhưng RSI lại rất quan trọng để khám phá không gian thiết kế mô hình hoàn chỉnh. Trước khi tiến đến AGI, và sau đó là ASI, DeepSeek phải có khả năng RSI.

Việc DeepSeek Làm Hôm Nay, Cả Ngành Sẽ Đuổi Theo Ngày Mai

Những đổi mới của DeepSeek xoay quanh Mô hình Hỗn hợp Chuyên gia, MLA, DSA, đã lần lượt được các phòng thí nghiệm AI khác trên toàn cầu và Trung Quốc áp dụng.

Ví dụ, ZAI, đơn vị phát triển dòng mô hình GLM, đã sử dụng MLA và DSA. Kimi, tức Moonshot, cũng sử dụng MLA, và không ngần ngại nói rằng, kiến trúc của họ dựa trên thiết kế kiến trúc DeepSeek. Ngược lại, DeepSeek cũng sử dụng bộ tối ưu hóa Muon, và Muon ban đầu được Kimi (Moonshot) sử dụng trong huấn luyện quy mô lớn.

Cần lưu ý:

MoE ban đầu được Google đề xuất vào năm 2017, tác giả chính là Noam Shazeer. Đóng góp của DeepSeek nằm ở việc ứng dụng MoE quy mô lớn, và phát minh ra các kỹ thuật hỗ trợ riêng của mình.

Muon, tức bộ tối ưu hóa MomentUm Orthogonalized by Newton-Schulz, do nhà nghiên cứu máy học Keller Jordan đề xuất vào cuối năm 2024. Đội Kimi (Moonshot) là đội đầu tiên sử dụng nó cho huấn luyện quy mô lớn.

Vậy Vấn Đề Kiếm Tiền Thì Sao?

Chúng ta có thể xem ví dụ thú vị về OpenAI.

OpenAI đã nhận được chứng quyền / quyền chọn mua cổ phiếu AMD và Cerebras với giá thấp hơn, các quyền lợi này được gắn với cột mốc tiêu thụ tính toán của họ. Đối với AMD và Cerebras, đây là một thỏa thuận rất có lợi. Bởi vì một khi OpenAI cam kết sử dụng phần cứng của họ, khả năng thành công lâu dài của họ sẽ tăng lên đáng kể.

Có một đoạn trong thông báo của AMD như sau:

"Như một phần của thỏa thuận, để hài hòa hơn nữa lợi ích chiến lược của cả hai bên, AMD đã phát hành cho OpenAI chứng quyền có thể mua tối đa 160 triệu cổ phiếu phổ thông của AMD, và sẽ dần dần thuộc về dựa trên việc đạt được các cột mốc cụ thể. Lô đầu tiên sẽ thuộc về khi triển khai 1 gigawatt ban đầu hoàn thành, các lô tiếp theo sẽ dần thuộc về khi quy mô mua mở rộng lên 6 gigawatt. Các điều kiện thuộc về cũng liên quan đến việc AMD đạt được các mục tiêu giá cổ phiếu cụ thể, và OpenAI đạt được các cột mốc công nghệ và thương mại cần thiết để AMD triển khai quy mô lớn."

Tôi dự đoán, DeepSeek cũng sẽ đạt được các thỏa thuận tương tự với nhiều nhà sản xuất bộ nhớ, ASIC, CPU và chồng công nghệ mạng Trung Quốc, và hợp tác sâu với họ, để chồng phần cứng của các nhà sản xuất này có thể đảm nhận được khối lượng công việc AI hàng đầu.

Xem xét tổng vốn hóa thị trường cổ phiếu AI của tất cả các nước phương Tây, bao gồm cả đồng minh Đông Á, đã vượt xa 10 nghìn tỷ đô la, cách thức "nhận lại phần thưởng cổ phần thông qua hợp tác" này, sẽ cho DeepSeek cơ hội giúp Trung Quốc xây dựng một ngành công nghiệp khổng lồ tương tự, và chia phần bánh của riêng mình trong đó, cuối cùng đạt được mức định giá 1 nghìn tỷ đô la cho chính mình.

Điều này sẽ không chỉ giúp DeepSeek kiếm được nhiều tiền hơn rất nhiều so với kinh doanh đăng ký ứng dụng truyền thống, đồng thời cũng có thể đạt được mục tiêu mà họ nói là "khiến AGI mang lại lợi ích cho mọi người". Lương Văn Phong là một fan trung thành của Jim Simons, cũng là một người chơi vốn đủ thông minh, ông không thể bỏ lỡ điểm này.

Nếu bạn nhìn lại tất cả những gì DeepSeek đã làm cho đến nay, chỉ có một cách giải thích này là hợp lý nhất.

Đây là những cổ phiếu AI quan trọng. Trong hình chưa bao gồm các hyperscalers, tức các nhà cung cấp dịch vụ đám mây siêu quy mô lớn, và nhiều công ty liên quan khác.

Liên kết gốc

Câu hỏi Liên quan

QBài viết phân tích chiến lược dài hạn của DeepSeek là gì?

AChiến lược dài hạn của DeepSeek không chỉ đơn thuần là kiếm lợi nhuận trực tiếp từ các mô hình AI (như API hay gói thuê bao), mà là thông qua các cải tiến kiến trúc cơ bản (như MoE, MLA, DSA, CSA, Engram) để định hình lại cấu trúc chi phí AI, giảm sự phụ thuộc vào phần cứng cao cấp như HBM và CUDA, từ đó thúc đẩy sự hình thành một hệ sinh thái phần cứng AI mới, đặc biệt là tại Trung Quốc, với quy mô tiềm năng lên đến 10 nghìn tỷ USD và giúp DeepSeek đạt định giá 1 nghìn tỷ USD.

QTại sao việc nén KV Cache lại quan trọng đối với chiến lược của DeepSeek?

AViệc nén mạnh KV Cache (qua các cơ chế như MLA, DSA, CSA) giúp giảm đáng kể dung lượng bộ nhớ HBM cần thiết để chạy mô hình với ngữ cảnh dài (ví dụ: chỉ cần ~5.5GB cho 1 triệu token so với 60-89GB của các mô hình khác). Điều này giúp giảm sự phụ thuộc vào HBM – loại bộ nhớ khó sản xuất và khan hiếm, đồng thời cho phép tận dụng các loại bộ nhớ dồi dào và rẻ hơn như NAND (SSD) để lưu trữ cache dài hạn và LPDDR để lưu trữ trọng số mô hình hoặc Engram, từ đó giảm áp lực tính toán và mở ra cơ hội cho các phần cứng thay thế.

QEngram là gì và nó đóng góp thế nào vào chiến lược "đánh đổi bộ nhớ lấy tính toán"?

AEngram là một cơ chế do DeepSeek phát triển, hiện đại hóa embedding N-gram cổ điển thành một cơ chế tra cứu dựa trên băm (hash-based O(1) lookup). Nó tạo ra một đường dẫn thưa bổ sung (conditional memory) cho phép mô hình truy xuất kiến thức một cách hiệu quả thay vì phải tính toán lại. Engram tiêu tốn nhiều bộ nhớ hơn (có thể dùng LPDDR) nhưng giúp tiết kiệm đáng kể chi phí tính toán (FLOPs). Đây là một sự đánh đổi chiến lược, vì mỗi bit đọc từ bộ nhớ rẻ hơn nhiều so với việc thực hiện một lượt tính toán đầy đủ qua các lớp Transformer, đặc biệt có lợi trong bối cảnh phần cứng tính toán có hạn.

QTileLang đóng vai trò gì trong việc thúc đẩy hệ sinh thái phần cứng AI?

ATileLang là một ngôn ngữ lập trình/lớp trừu tượng do DeepSeek đầu tư phát triển, cho phép các nhà phát triển chỉ viết kernel tính toán một lần và chạy được trên nhiều nền tảng phần cứng khác nhau, miễn là có backend TileLang tương ứng. Điều này giúp giảm bớt rào cản của "hào sâu CUDA" độc quyền của NVIDIA, tạo cơ hội cho nhiều nhà sản xuất phần cứng AI khác (cả ở Trung Quốc như Moore Threads, Biren, và cả phương Tây như AMD) có thể cạnh tranh bằng cách cung cấp phần cứng tương thích với hệ sinh thái phần mềm AI hiện đại, từ đó làm phong phú và tăng tính cạnh tranh của thị trường phần cứng AI.

QTheo bài viết, DeepSeek có thể tạo ra doanh thu lớn như thế nào thay vì bán mô hình trực tiếp?

AThay vì chỉ kiếm lợi nhuận trực tiếp từ việc bán dịch vụ mô hình (subscription, API), DeepSeek có thể tạo ra doanh thu khổng lồ bằng cách trở thành động lực chính cho một hệ sinh thái phần cứng AI mới trị giá 10 nghìn tỷ USD. Họ có thể đạt được điều này thông qua các thỏa thuận hợp tác chiến lược và nhận quyền mua cổ phiếu (warrants/options) từ các công ty phần cứng (nhà sản xuất bộ nhớ như YMTC, CXMT, các hãng chip ASIC/GPU) khi DeepSeek sử dụng và tối ưu hóa công nghệ của họ cho các tải AI hàng đầu. Sự thành công của các công ty phần cứng này, được thúc đẩy bởi nhu cầu do DeepSeek tạo ra, sẽ làm tăng giá trị cổ phần của DeepSeek, hướng tới mục tiêu định giá 1 nghìn tỷ USD, tương tự như thỏa thuận giữa OpenAI và AMD.

Nội dung Liên quan

Ripple Không Di Chuyển Ngẫu Nhiên: Những Động Thái Chiến Lược Đằng Sau Sự Thống Trị Của XRP

Chuyên gia tiền điện tử BankXRP nhấn mạnh rằng khoản đầu tư gần đây của Ripple vào bộ định tuyến đa chuỗi Squid là một bước đi chiến lược, nhằm tăng cường tính hữu dụng của XRP như một tài sản cho thanh toán xuyên biên giới. Thông qua Squid, XRP Ledger (XRPL) giờ đây có thể kết nối với toàn bộ hệ sinh thái tiền điện tử, bao gồm các mạng lưới lớn như Ethereum, Solana và Bitcoin, cho phép hoán đổi trực tiếp giữa hơn 1,000 ứng dụng và dịch vụ DeFi. Động thái này phù hợp với tầm nhìn của Giám đốc điều hành Ripple, Brad Garlinghouse, về một tương lai đa chuỗi và thể hiện chiến lược không chỉ xây dựng trên XRPL mà còn đầu tư vào cơ sở hạ tầng kết nối tất cả các chuỗi. Bên cạnh đó, Ripple đang mở rộng dịch vụ lưu ký và stablecoin RLUSD của mình sang các mạng lưới khác như Ethereum và Solana. Một yếu tố chiến lược khác là việc XRPL đã tích hợp sẵn công nghệ Zero-Knowledge (ZK) proof, cung cấp quyền riêng tư cho các giao dịch trong khi vẫn cho phép cơ quan quản lý xác minh khi cần. Điều này được kỳ vọng sẽ thúc đẩy việc áp dụng XRP bởi hơn 300 ngân hàng và tổ chức tài chính đối tác của Ripple. Với khả năng xử lý thanh toán nhanh chóng (3-5 giây), chi phí thấp và giải pháp On-Demand Liquidity (ODL), XRP được định vị là đối thủ cạnh tranh trực tiếp với hệ thống SWIFT truyền thống.

bitcoinist6 phút trước

Ripple Không Di Chuyển Ngẫu Nhiên: Những Động Thái Chiến Lược Đằng Sau Sự Thống Trị Của XRP

bitcoinist6 phút trước

Eric Trump Đặt Ra Mức Ngưỡng 'Vượt Quá Thảm Họa' Để Bán Bitcoin — Chúng Ta Còn Cách Điểm Đó Bao Xa?

Eric Trump, Giám đốc Chiến lược của American Bitcoin Corp, đã tuyên bố chỉ bán Bitcoin nếu xảy ra một tình huống "thảm họa vượt quá mức thảm họa", thể hiện cam kết gần như tuyệt đối không bán BTC trong mọi kịch bản thị trường có thể lường trước. Trong một cuộc phỏng vấn, ông nêu rõ công ty đang theo đuổi hai mục tiêu: tích lũy lượng Bitcoin lớn nhất và chi phí mua vào thấp nhất. Việc bán ra sẽ làm giảm lượng "satoshis trên mỗi cổ phiếu" – chỉ số cốt lõi của họ. Trump công nhận ảnh hưởng của Michael Saylor nhưng chỉ ra sự khác biệt: trong khi MicroStrategy có thể linh hoạt bán để trả cổ tức, American Bitcoin Corp (ABTC) tuân thủ khuôn khổ giữ chặt nghiêm ngặt hơn. ABTC tích lũy Bitcoin thông qua hoạt động khai thác với chi phí được cho là thấp hơn 53% so với giá giao ngay, giúp giảm áp lực phải bán trên bảng cân đối kế toán. Tuyên bố này đặt ra một tiêu chuẩn mới về cam kết tích lũy dài hạn trong lĩnh vực kho bạc Bitcoin. Tại thời điểm bài viết, Bitcoin giao dịch quanh mức 82.000 USD, và American Bitcoin Corp nắm giữ hơn 7.000 BTC.

bitcoinist4 giờ trước

Eric Trump Đặt Ra Mức Ngưỡng 'Vượt Quá Thảm Họa' Để Bán Bitcoin — Chúng Ta Còn Cách Điểm Đó Bao Xa?

bitcoinist4 giờ trước

Vitalik nhấn mạnh Ethereum phải "tuyệt vời", nhưng Quỹ không phải là trung tâm

Tác giả Vitalik Buterin đã đăng một bài luận dài để phản hồi những chỉ trích của cộng đồng về hiệu suất giá của ETH và vai trò của Ethereum Foundation (EF). Ông thừa nhận có sự khác biệt trong quan điểm về "tính khẩn cấp", so sánh nguy cơ Ethereum trở thành "Google thứ hai" - từ bỏ lý tưởng ban đầu để theo đuổi lợi ích tài chính. Vitalik nhấn mạnh rằng EF không phải là trung tâm của Ethereum, mà chỉ là một "nút có mục tiêu rõ ràng" cùng tồn tại với các tổ chức khác trong hệ sinh thái. Ông tiết lộ EF chỉ nắm giữ khoảng 0.16% tổng nguồn cung ETH và sẽ không bán lượng ETH lớn nữa, đồng thời tập trung vào các nhiệm vụ dài hạn, quan trọng cho sự thành công của Ethereum với tư cách là một hệ thống mở, chống kiểm duyệt và an toàn. Trọng tâm bài viết là quan điểm cho rằng Ethereum phải trở nên "tuyệt vời". Vitalik cho rằng việc chỉ tập trung vào tốc độ và khả năng mở rộng là con đường dẫn đến sự tầm thường. Thay vào đó, Ethereum cần phấn đấu để trở nên phi thường ở các khía cạnh như: khả năng chứng minh không có lỗi (bug), sự đồng thuận chuỗi có tính sẵn sàng cao và tối thiểu hóa vai trò trung gian (CROPS). Ông lập luận rằng việc theo đuổi sự "xác định tối thượng" về mặt kỹ thuật này chính là cách để đạt được sự định giá cao cấp từ thị trường vốn. Bài viết kết luận rằng, mặc dù EF đang chuyển đổi thành một tổ chức trưởng thành hơn, nhưng vẫn còn một khoảng trống về việc tạo ra một tổ chức mới trong hệ sinh thái có lợi ích kinh tế gắn liền và chịu trách nhiệm với Ethereum. Việc lấp đầy khoảng trống "đồng thuận lợi ích" này có thể là chìa khóa để ETH đảo ngược xu hướng giảm giá hiện tại.

链捕手5 giờ trước

Vitalik nhấn mạnh Ethereum phải "tuyệt vời", nhưng Quỹ không phải là trung tâm

链捕手5 giờ trước

Galxe: Một nền tảng Quest, làm thế nào để phát triển thành cơ sở hạ tầng tăng trưởng của Web3

Galxe, ban đầu được biết đến như một nền tảng Quest Web3 điển hình, đã phát triển thành một cơ sở hạ tầng tăng trưởng thiết yếu cho hệ sinh thái Web3. Khác với các nền tảng nhiệm vụ đơn thuần, Galxe giải quyết một vấn đề cốt lõi: sự thiếu hụt cơ sở hạ tầng tăng trưởng có hệ thống và có thể tái sử dụng trong Web3. Galxe chuyển đổi các hành vi người dùng rời rạc, ngắn hạn (như tương tác mạng xã hội, giao dịch on-chain) thành dữ liệu danh tính lâu dài có thể ghi lại, xác minh và tái sử dụng, thông qua Credential, OAT, Passport và Galxe Score. Điều này tạo ra một "tài sản hành vi" cho người dùng, khuyến khích họ xây dựng lịch sử tham gia để nhận được nhiều đặc quyền hơn trong tương lai. Đối với các dự án, Galxe cung cấp một nhóm người dùng có thể lọc dựa trên hồ sơ hành vi, cho phép tiếp cận đối tượng mục tiêu chính xác hơn. Bằng cách thiết kế một con đường tăng trưởng có tính game hóa với các nhiệm vụ từ dễ đến khó, Galxe dẫn dắt người dùng từ việc quan tâm ban đầu đến tương tác sâu với hệ sinh thái. Cơ chế này không chỉ giáo dục người dùng mà còn sàng lọc chất lượng người dùng một cách tự nhiên. Với các sản phẩm bổ sung như Passport và Starboard, Galxe đang hướng tới việc trở thành một hệ điều hành tăng trưởng toàn diện. Vòng quay dữ liệu của nó càng mạnh khi càng có nhiều dự án và người dùng tham gia, củng cố vị thế như một mạng lưới tăng trưởng thiết yếu. Về bản chất, Galxe đang thúc đẩy sự chuyển dịch trong Web3 từ tư duy tăng trưởng dựa trên phần thưởng/流量 sang tư duy dựa trên danh tính tích lũy và mối quan hệ lâu dài.

marsbit5 giờ trước

Galxe: Một nền tảng Quest, làm thế nào để phát triển thành cơ sở hạ tầng tăng trưởng của Web3

marsbit5 giờ trước

Nhịp Thị Trường Bitcoin: Tuần 22

Bitcoin (BTC) đã giảm giá trong tuần qua, từ mức 79K USD xuống thấp cục bộ quanh 74K USD trước khi phục hồi về 77K USD, với động lượng giá giảm 21.7%. Áp lực bán có dấu hiệu giảm bớt khi Chỉ số CVD Giao ngay và CVD Vĩnh viễn lần lượt tăng 77.2% và 35.5%. Khối lượng giao dịch giao ngay và lãi mở hợp đồng tương lai đều giảm, cho thấy sự thận trọng và giảm hoạt động đầu cơ. Tuy nhiên, vẫn có những dấu hiệu của sự thèm ăn rủi ro trở lại, với khoản thanh toán funding cho vị thế mua tăng mạnh 135.4%. Trên thị trường quyền chọn, nhu cầu bảo vệ trước rủi ro giảm giá tăng nhẹ. Trong thị trường TradFi, dòng tiền ròng vào ETF Mỹ được cải thiện 28.9%, dù khối lượng giao dịch ETF giảm. Từ góc độ mạng lưới, số địa chỉ hoạt động hàng ngày và khối lượng chuyển giao đã điều chỉnh giảm nhẹ, gợi ý một giai đoạn củng cố. Các chỉ số về lợi nhuận cho thấy dấu hiệu căng thẳng thị trường tiềm ẩn, với tỷ lệ lợi nhuận chưa thực hiện ròng giảm đáng kể và tỷ lệ lỗ thực hiện tăng so với lợi nhuận chốt, phản ánh tâm lý thận trọng có thể nghiêng về giảm giá. Tóm lại, thị trường đang thể hiện các dấu hiệu điều hòa và củng cố, với hoạt động giảm, tâm lý thận trọng cùng sự pha trộn của thèm ăn rủi ro, nhấn mạnh tầm quan trọng của việc tiếp tục theo dõi sát sao các động thái thị trường.

insights.glassnode6 giờ trước

insights.glassnode6 giờ trước

Giao dịch

Giao ngay

Hợp đồng Tương lai

Bài viết Nổi bật

HTX Learn: Tìm hiểu Về Conflux để Chia sẻ 8000 USDT

Để giúp bạn nắm bắt bản chất của Conflux, HTX Learn đã ra mắt chiến dịch Tìm hiểu & Kiếm tiền này.

Tổng lượt xem 825Xuất bản vào 2024.12.23Cập nhật vào 2024.12.23

HTX Learn: Tìm hiểu Về Conflux để Chia sẻ 8000 USDT

AGENT S là gì

Agent S: Tương Lai của Tương Tác Tự Động trong Web3 Giới thiệu Trong bối cảnh không ngừng phát triển của Web3 và tiền điện tử, các đổi mới đang liên tục định nghĩa lại cách mà cá nhân tương tác với các nền tảng kỹ thuật số. Một dự án tiên phong như vậy, Agent S, hứa hẹn sẽ cách mạng hóa tương tác giữa con người và máy tính thông qua khung tác nhân mở của nó. Bằng cách mở đường cho các tương tác tự động, Agent S nhằm đơn giản hóa các nhiệm vụ phức tạp, cung cấp các ứng dụng chuyển đổi trong trí tuệ nhân tạo (AI). Cuộc khám phá chi tiết này sẽ đi sâu vào những phức tạp của dự án, các tính năng độc đáo của nó và những tác động đối với lĩnh vực tiền điện tử. Agent S là gì? Agent S đứng vững như một khung tác nhân mở đột phá, được thiết kế đặc biệt để giải quyết ba thách thức cơ bản trong việc tự động hóa các nhiệm vụ máy tính: Thu thập Kiến thức Cụ thể theo Miền: Khung này học một cách thông minh từ nhiều nguồn kiến thức bên ngoài và kinh nghiệm nội bộ. Cách tiếp cận kép này giúp nó xây dựng một kho lưu trữ phong phú về kiến thức cụ thể theo miền, nâng cao hiệu suất của nó trong việc thực hiện nhiệm vụ. Lập Kế Hoạch Qua Các Tầm Nhìn Nhiệm Vụ Dài Hạn: Agent S sử dụng lập kế hoạch phân cấp tăng cường kinh nghiệm, một cách tiếp cận chiến lược giúp phân chia và thực hiện các nhiệm vụ phức tạp một cách hiệu quả. Tính năng này nâng cao đáng kể khả năng quản lý nhiều nhiệm vụ con một cách hiệu quả và hiệu suất. Xử Lý Các Giao Diện Động, Không Đều: Dự án giới thiệu Giao Diện Tác Nhân-Máy Tính (ACI), một giải pháp đổi mới giúp nâng cao tương tác giữa các tác nhân và người dùng. Sử dụng các Mô Hình Ngôn Ngữ Lớn Đa Phương Thức (MLLMs), Agent S có thể điều hướng và thao tác các giao diện người dùng đồ họa đa dạng một cách liền mạch. Thông qua những tính năng tiên phong này, Agent S cung cấp một khung vững chắc giải quyết các phức tạp liên quan đến việc tự động hóa tương tác giữa con người với máy móc, mở ra nhiều ứng dụng trong AI và hơn thế nữa. Ai là Người Tạo ra Agent S? Mặc dù khái niệm về Agent S là hoàn toàn đổi mới, thông tin cụ thể về người sáng lập vẫn còn mơ hồ. Người sáng lập hiện vẫn chưa được biết đến, điều này làm nổi bật giai đoạn sơ khai của dự án hoặc sự lựa chọn chiến lược để giữ kín các thành viên sáng lập. Bất chấp sự ẩn danh, sự chú ý vẫn tập trung vào khả năng và tiềm năng của khung này. Ai là Các Nhà Đầu Tư của Agent S? Vì Agent S còn tương đối mới trong hệ sinh thái mã hóa, thông tin chi tiết về các nhà đầu tư và những người tài trợ tài chính của nó không được ghi chép rõ ràng. Sự thiếu vắng thông tin công khai về các nền tảng đầu tư hoặc tổ chức hỗ trợ dự án dấy lên câu hỏi về cấu trúc tài trợ và lộ trình phát triển của nó. Hiểu biết về sự hỗ trợ là rất quan trọng để đánh giá tính bền vững và tác động tiềm năng của dự án. Agent S Hoạt Động Như Thế Nào? Tại cốt lõi của Agent S là công nghệ tiên tiến cho phép nó hoạt động hiệu quả trong nhiều bối cảnh khác nhau. Mô hình hoạt động của nó được xây dựng xung quanh một số tính năng chính: Tương Tác Giống Như Con Người: Khung này cung cấp lập kế hoạch AI tiên tiến, cố gắng làm cho các tương tác với máy tính trở nên trực quan hơn. Bằng cách bắt chước hành vi của con người trong việc thực hiện nhiệm vụ, nó hứa hẹn nâng cao trải nghiệm người dùng. Ký Ức Tường Thuật: Được sử dụng để tận dụng các trải nghiệm cấp cao, Agent S sử dụng ký ức tường thuật để theo dõi lịch sử nhiệm vụ, từ đó nâng cao quy trình ra quyết định của nó. Ký Ức Tình Huống: Tính năng này cung cấp cho người dùng hướng dẫn từng bước, cho phép khung này cung cấp hỗ trợ theo ngữ cảnh khi các nhiệm vụ diễn ra. Hỗ Trợ OpenACI: Với khả năng chạy cục bộ, Agent S cho phép người dùng duy trì quyền kiểm soát đối với các tương tác và quy trình làm việc của họ, phù hợp với tinh thần phi tập trung của Web3. Tích Hợp Dễ Dàng với Các API Bên Ngoài: Tính linh hoạt và khả năng tương thích với nhiều nền tảng AI khác nhau đảm bảo rằng Agent S có thể hòa nhập liền mạch vào các hệ sinh thái công nghệ hiện có, làm cho nó trở thành lựa chọn hấp dẫn cho các nhà phát triển và tổ chức. Những chức năng này cùng nhau góp phần vào vị trí độc đáo của Agent S trong không gian tiền điện tử, khi nó tự động hóa các nhiệm vụ phức tạp, nhiều bước với sự can thiệp tối thiểu của con người. Khi dự án phát triển, các ứng dụng tiềm năng của nó trong Web3 có thể định nghĩa lại cách mà các tương tác kỹ thuật số diễn ra. Thời Gian Phát Triển của Agent S Sự phát triển và các cột mốc của Agent S có thể được tóm tắt trong một dòng thời gian nêu bật các sự kiện quan trọng của nó: 27 tháng 9, 2024: Khái niệm về Agent S được ra mắt trong một bài nghiên cứu toàn diện mang tên “Một Khung Tác Nhân Mở Sử Dụng Máy Tính Như Một Con Người,” trình bày nền tảng cho dự án. 10 tháng 10, 2024: Bài nghiên cứu được công bố công khai trên arXiv, cung cấp một cái nhìn sâu sắc về khung và đánh giá hiệu suất của nó dựa trên tiêu chuẩn OSWorld. 12 tháng 10, 2024: Một video trình bày được phát hành, cung cấp cái nhìn trực quan về khả năng và tính năng của Agent S, thu hút thêm sự quan tâm từ người dùng và nhà đầu tư tiềm năng. Những dấu mốc trong dòng thời gian không chỉ minh họa sự tiến bộ của Agent S mà còn chỉ ra cam kết của nó đối với sự minh bạch và sự tham gia của cộng đồng. Những Điểm Chính Về Agent S Khi khung Agent S tiếp tục phát triển, một số thuộc tính chính nổi bật, nhấn mạnh tính đổi mới và tiềm năng của nó: Khung Đổi Mới: Được thiết kế để cung cấp cách sử dụng máy tính trực quan giống như tương tác của con người, Agent S mang đến một cách tiếp cận mới cho việc tự động hóa nhiệm vụ. Tương Tác Tự Động: Khả năng tương tác tự động với máy tính thông qua GUI đánh dấu một bước tiến tới các giải pháp tính toán thông minh và hiệu quả hơn. Tự Động Hóa Nhiệm Vụ Phức Tạp: Với phương pháp mạnh mẽ của nó, nó có thể tự động hóa các nhiệm vụ phức tạp, nhiều bước, làm cho các quy trình nhanh hơn và ít sai sót hơn. Cải Tiến Liên Tục: Các cơ chế học tập cho phép Agent S cải thiện từ các trải nghiệm trước đó, liên tục nâng cao hiệu suất và hiệu quả của nó. Tính Linh Hoạt: Khả năng thích ứng của nó trên các môi trường hoạt động khác nhau như OSWorld và WindowsAgentArena đảm bảo rằng nó có thể phục vụ một loạt các ứng dụng rộng rãi. Khi Agent S định vị mình trong bối cảnh Web3 và tiền điện tử, tiềm năng của nó để nâng cao khả năng tương tác và tự động hóa quy trình đánh dấu một bước tiến quan trọng trong công nghệ AI. Thông qua khung đổi mới của mình, Agent S minh họa cho tương lai của các tương tác kỹ thuật số, hứa hẹn một trải nghiệm liền mạch và hiệu quả hơn cho người dùng trên nhiều ngành công nghiệp khác nhau. Kết luận Agent S đại diện cho một bước nhảy vọt táo bạo trong sự kết hợp giữa AI và Web3, với khả năng định nghĩa lại cách chúng ta tương tác với công nghệ. Mặc dù vẫn còn ở giai đoạn đầu, những khả năng cho ứng dụng của nó là rộng lớn và hấp dẫn. Thông qua khung toàn diện của mình giải quyết các thách thức quan trọng, Agent S nhằm đưa các tương tác tự động lên hàng đầu trong trải nghiệm kỹ thuật số. Khi chúng ta tiến sâu hơn vào các lĩnh vực tiền điện tử và phi tập trung, các dự án như Agent S chắc chắn sẽ đóng một vai trò quan trọng trong việc định hình tương lai của công nghệ và sự hợp tác giữa con người với máy tính.

Tổng lượt xem 824Xuất bản vào 2025.01.14Cập nhật vào 2025.01.14

Làm thế nào để Mua S

Chào mừng bạn đến với HTX.com! Chúng tôi đã làm cho mua Sonic (S) trở nên đơn giản và thuận tiện. Làm theo hướng dẫn từng bước của chúng tôi để bắt đầu hành trình tiền kỹ thuật số của bạn.Bước 1: Tạo Tài khoản HTX của BạnSử dụng email hoặc số điện thoại của bạn để đăng ký tài khoản miễn phí trên HTX. Trải nghiệm hành trình đăng ký không rắc rối và mở khóa tất cả tính năng. Nhận Tài khoản của tôiBước 2: Truy cập Mua Crypto và Chọn Phương thức Thanh toán của BạnThẻ Tín dụng/Ghi nợ: Sử dụng Visa hoặc Mastercard của bạn để mua Sonic (S) ngay lập tức.Số dư: Sử dụng tiền từ số dư tài khoản HTX của bạn để giao dịch liền mạch.Bên thứ ba: Chúng tôi đã thêm những phương thức thanh toán phổ biến như Google Pay và Apple Pay để nâng cao sự tiện lợi.P2P: Giao dịch trực tiếp với người dùng khác trên HTX.Thị trường mua bán phi tập trung (OTC): Chúng tôi cung cấp những dịch vụ được thiết kế riêng và tỷ giá hối đoái cạnh tranh cho nhà giao dịch.Bước 3: Lưu trữ Sonic (S) của BạnSau khi mua Sonic (S), lưu trữ trong tài khoản HTX của bạn. Ngoài ra, bạn có thể gửi đi nơi khác qua chuyển khoản blockchain hoặc sử dụng để giao dịch những tiền kỹ thuật số khác.Bước 4: Giao dịch Sonic (S)Giao dịch Sonic (S) dễ dàng trên thị trường giao ngay của HTX. Chỉ cần truy cập vào tài khoản của bạn, chọn cặp giao dịch, thực hiện giao dịch và theo dõi trong thời gian thực. Chúng tôi cung cấp trải nghiệm thân thiện với người dùng cho cả người mới bắt đầu và người giao dịch dày dạn kinh nghiệm.

Tổng lượt xem 1.5kXuất bản vào 2025.01.15Cập nhật vào 2025.03.21

Thảo luận

Chào mừng đến với Cộng đồng HTX. Tại đây, bạn có thể được thông báo về những phát triển nền tảng mới nhất và có quyền truy cập vào thông tin chuyên sâu về thị trường. Ý kiến của người dùng về giá của S (S) được trình bày dưới đây.