# Bài viết Liên quan Suy luận

Trung tâm Tin tức HTX cung cấp những bài viết mới nhất và phân tích chuyên sâu về "Suy luận", bao gồm xu hướng thị trường, cập nhật dự án, phát triển công nghệ và chính sách quản lý trong ngành tiền kỹ thuật số.

Thị phần của Nvidia tại Trung Quốc giảm xuống dưới 60%, chip AI nội địa giao 1,65 triệu chip chiếm lĩnh thị trường

Theo dữ liệu từ IDC, thị phần của NVIDIA tại Trung Quốc đã giảm từ khoảng 95% xuống còn 55% vào năm 2025, với tổng số lượng chip AI xuất xưởng là 4 triệu, trong đó các nhà sản xuất nội địa chiếm 41% (1,65 triệu chip). Huawei dẫn đầu với 812.000 chip, tiếp theo là T-Head của Alibaba (265.000) và các hãng khác như Baidu, Cambricon. Huawei cũng ra mắt Atlas 350, tuyên bố hiệu năng cao gấp 2,87 lần so với NVIDIA H20 trong suy luận. Chính sách thay thế nhập khẩu của Bắc Kinh và lệnh cấm xuất khẩu của Mỹ là động lực chính. Các trung tâm dữ liệu quốc doanh được yêu cầu chuyển sang dùng chip nội địa. Dù chip Trung Quốc vẫn kém NVIDIA 5-10 năm trong đào tạo mô hình lớn, chúng đã đạt ngưỡng "đủ dùng" cho suy luận. Thách thức chính là hệ sinh thái phần mềm, với nỗ lực tương thích CUDA. Nhiều công ty chip AI nội địa đang lên sàn chứng khoán, và Huawei đặt mục tiêu xuất 750.000 chip Ascend 950PR vào năm 2026. Thị phần của NVIDIA có thể tiếp tục giảm do chính sách và sự phát triển của chip nội địa.

marsbit04/03 05:53

Thị phần của Nvidia tại Trung Quốc giảm xuống dưới 60%, chip AI nội địa giao 1,65 triệu chip chiếm lĩnh thị trường

marsbit04/03 05:53

Bài toán chi phí của AI: Kinh tế học cơ sở hạ tầng sẽ định hình lại giai đoạn tiếp theo của thị trường như thế nào

Tình hình chi phí của AI đang trở thành một vấn đề cốt lõi, với cơ sở hạ tầng tập trung trong tay ba gã khổng lồ điện toán đám mây (AWS, Azure, Google Cloud), chiếm 2/3 thị phần toàn cầu. Chi phí huấn luyện mô hình lớn có thể lên tới hàng trăm triệu hoặc thậm chí hàng tỷ USD, nhưng chi phí suy luận (inference) mới là gánh nặng liên tục, đe dọa khả năng tồn tại của các công ty khởi nghiệp. Sự tập trung hóa tạo ra bất bình đẳng về giá, với các công ty lớn được hưởng mức giá ưu đãi, trong khi những công ty nhỏ hơn phải trả phí cao hơn đáng kể. Bên cạnh đó, mức tiêu thụ năng lượng của AI cũng là một thách thức lớn, có thể làm tăng đáng kể nhu cầu điện toàn cầu. Giải pháp thay thế tiềm năng là các mạng lưới suy luận phi tập trung, như Gonka, hướng tới giảm chi phí thông qua việc tận dụng tài nguyên GPU nhàn rỗi, cung cấp tính linh hoạt và chủ quyền tốt hơn. Sự căng thẳng giữa mô hình tập trung và phi tập trung sẽ định hình lại cuộc cạnh tranh trong tương lai của AI, nơi chi phí suy luận và khả năng tiếp cận hạ tầng sẽ quyết định người chiến thắng.

marsbit03/26 08:17

Bài toán chi phí của AI: Kinh tế học cơ sở hạ tầng sẽ định hình lại giai đoạn tiếp theo của thị trường như thế nào

marsbit03/26 08:17

Bittensor (TAO) Logic giảm giá: Sa mạc doanh thu dưới huyền thoại sức mạnh tính toán

Bài viết phân tích Bittensor (TAO) với góc nhìn nghi ngờ về khả năng tạo ra doanh thu thực tế để hỗ trợ định giá thị trường hiện tại. Mặc dù được hỗ trợ bởi các tổ chức lớn và có cơ chế giảm phát giống Bitcoin, mạng lưới này được cho là phụ thuộc quá nhiều vào trợ cấp phát hành token thay vì nhu cầu thực từ bên ngoài. Dữ liệu cho thấy, subnet Chutes (SN64) nhận trợ cấp hàng năm ~52 triệu USD từ phát hành TAO, nhưng doanh thu bên ngoài chỉ khoảng 1.3-2.4 triệu USD. Nếu không có trợ cấp, chi phí của nó sẽ đắt hơn 1.6-3.5 lần so với các dịch vụ tập trung. Toàn mạng ước tính chỉ tạo ra 3-15 triệu USD doanh thu/năm, không tương xứng với vốn hóa 2.6 tỷ USD. Dự án còn đối mặt thách thức về khả năng cạnh tranh giá cả trước các gã khổng lồ AI (Microsoft, Google) và xu hướng tự triển khai mô hình mã nguồn mở. Các subnet thiếu lợi thế cạnh tranh bền vững do công nghệ hoàn toàn mở và không có rào cản chuyển đổi. Tóm lại, giá TAO hiện được định giá bởi tính khan hiếm, kỳ vọng ETF và tâm lý thị trường, chứ không phải do nền tảng kinh tế thực tế. Nhà đầu tư cần phân biệt rõ giữa đầu cơ theo narrative và kỳ vọng vào giá trị cơ bản.

marsbit03/24 10:13

Bittensor (TAO) Logic giảm giá: Sa mạc doanh thu dưới huyền thoại sức mạnh tính toán

marsbit03/24 10:13

Mô hình cũng biết "lồng ghép"? MiniMax ra mắt M2.7: Mô hình lớn nội địa đầu tiên tham gia sâu vào quá trình tự lặp

MiniMax vừa công bố mô hình M2.7, đánh dấu bước tiến mới khi lần đầu tiên một mô hình AI Trung Quốc tham gia sâu vào quá trình tự lặp lại và phát triển của chính nó. M2.7 sở hữu khả năng tự xây dựng khung kiểm tra Agent phức tạp, dựa trên nền tảng kỹ năng phức hợp, công cụ tìm kiếm và sự hợp tác giữa các Agent. Điều này không chỉ giúp nó trở thành một công cụ giao tiếp thông minh hơn, mà còn hoạt động như một "kỹ sư kỹ thuật số" có khả năng tự chẩn đoán và tối ưu hóa, từ đó nâng cao đáng kể khả năng lập luận và sử dụng công cụ cho các nhiệm vụ phức tạp. Mô hình mới hiện đã được triển khai toàn diện trên nền tảng MiniMax Agent. Sự phát triển này diễn ra trong bối cảnh thị trường AI và điện toán đang biến động mạnh, với các công ty như LuChen Technology hoàn thành vòng gọi vốn lớn và Alibaba Cloud tăng giá một số sản phẩm do nhu cầu tăng vọt, khiến cho cuộc đua AI năm 2026 ngày càng khốc liệt và đầy biến số.

marsbit03/18 08:41

Mô hình cũng biết "lồng ghép"? MiniMax ra mắt M2.7: Mô hình lớn nội địa đầu tiên tham gia sâu vào quá trình tự lặp

marsbit03/18 08:41

Sau Khi Được Các Tổ Chức Hỗ Trợ và Giá Tăng, Khám Phá Lại Giá Trị Thực của 128 Subnet Trên Bittensor

Bittensor là một mạng lưới gồm 128 subnet (mạng con) hoạt động như các startup AI độc lập, mỗi subnet có token Alpha riêng, mô hình doanh thu và đội ngũ riêng. Có hai cách chính để kiếm lợi nhuận: nhận phần thưởng TAO từ khí thải (dựa trên dòng stake ròng) và lợi nhuận từ việc nắm giữ token Alpha (lãi vốn dựa trên hiệu suất subnet). Kể từ tháng 11/2025, cơ chế Taoflow chỉ phân phối TAO cho các subnet có dòng stake ròng dương, khiến các subnet kém hiệu quả dần bị loại bỏ. Các subnet hàng đầu như SN3 (Templar) và SN64 (Chutes) đã chứng minh được giá trị thực: Templar huấn luyện mô hình LLM phi tập trung quy mô lớn, còn Chutes xử lý lượng token khổng lồ với chi phí rẻ hơn 85% so với AWS. TAO đóng vai trò như một quỹ chỉ số cho toàn mạng, trong khi việc stake Alpha giống như đầu tư mạo hiểm vào một startup cụ thể - tiềm năng lợi nhuận cao nhưng rủi ro lớn. Các tổ chức như DCG và Polychain Capital đã tham gia đầu tư mạnh vào hệ sinh thái này.

marsbit03/17 13:35

Sau Khi Được Các Tổ Chức Hỗ Trợ và Giá Tăng, Khám Phá Lại Giá Trị Thực của 128 Subnet Trên Bittensor

marsbit03/17 13:35

Từ điển thuật ngữ AI (Phiên bản tháng 3/2026), đề nghị lưu lại

Từ vựng AI cần biết năm 2026: 30 thuật ngữ quan trọng từ cơ bản đến nâng cao Bài viết tổng hợp 30 thuật ngữ AI phổ biến, chia thành 2 nhóm: **Từ cơ bản (12):** - LLM (Mô hình ngôn ngữ lớn): Mô hình xử lý ngôn ngữ được đào tạo trên dữ liệu khổng lồ. - AI Agent: Hệ thống tự động hiểu mục tiêu và thực thi tác vụ. - Multimodal (Đa phương thức): Xử lý cùng lúc văn bản, hình ảnh, âm thanh. - Prompt: Lệnh đầu vào cho AI. - Generative AI (AIGC): AI tập trung vào tạo nội dung mới. - Token: Đơn vị xử lý văn bản, dùng để tính phí và đo lường. - Context Window: Số token tối đa AI có thể xử lý trong một lần. - Memory: Khả năng ghi nhớ lịch sử và sở thích người dùng. - Training & Inference: Quá trình đào tạo và triển khai mô hình. - Tool Calling: Khả năng gọi API và công cụ bên ngoài. **Từ nâng cao (18):** Bao gồm Transformer (kiến trúc mô hình), Attention (cơ chế tập trung), Hallucination (lỗi tạo nội dung sai), RAG (Tạo nội dung tăng cường bằng tìm kiếm), Fine-tuning (tinh chỉnh mô hình), cùng các khái niệm mới như Agentic Workflow, Subagents, Skills và Vibe Coding (lập trình bằng giao tiếp tự nhiên). Bài khuyến nghị nắm vững các thuật ngữ này để theo kịp xu hướng AI, đặc biệt trong bối cảnh ứng dụng ngày càng mở rộng.

marsbit03/11 11:55

Từ điển thuật ngữ AI (Phiên bản tháng 3/2026), đề nghị lưu lại

marsbit03/11 11:55

Founders Fund, Pantera và Franklin Templeton tham gia 'Arena' của Sentient, thử nghiệm áp lực cho các tác nhân AI cấp doanh nghiệp

Tổ chức nghiên cứu AI mã nguồn mở Sentient đã ra mắt Arena, một môi trường thử nghiệm áp lực thời gian thực dành cho các tác nhân AI cấp doanh nghiệp, với sự tham gia ban đầu của các tổ chức lớn như Founders Fund, Pantera và Franklin Templeton (quản lý tài sản 1,5 nghìn tỷ USD). Arena được thiết kế để kiểm tra độ tin cậy và khả năng lập luận của AI trong các tình huống phức tạp, đa bước và rủi ro cao, mô phỏng các quy trình làm việc thực tế như phân tích tài chính, dịch vụ khách hàng và tuân thủ. Thay vì chỉ đánh giá kết quả cuối cùng, Arena ghi lại toàn bộ quá trình lập luận, giúp các nhóm kỹ thuật xác định lỗi và cải thiện hiệu suất. Mục tiêu là tạo ra một tiêu chuẩn trung lập, không phụ thuộc vào nhà cung cấp, để đánh giá khả năng của AI trong các tình huống sản xuất thực tế. Thách thức đầu tiên tập trung vào lập luận tài liệu (document reasoning), một nền tảng cho nhiều ứng dụng doanh nghiệp. Các công ty như OpenHands và OpenRouter cũng tham gia hỗ trợ cơ sở hạ tầng và công cụ phát triển. Arena dự kiến mở rộng quy mô toàn cầu với các sự kiện trực tiếp từ tháng 3/2026.

marsbit02/27 13:30

Founders Fund, Pantera và Franklin Templeton tham gia 'Arena' của Sentient, thử nghiệm áp lực cho các tác nhân AI cấp doanh nghiệp

marsbit02/27 13:30

Trận động đất tiếp theo của AI: Tại sao mối nguy hiểm thực sự không phải là 'Sát thủ SaaS', mà là cuộc cách mạng sức mạnh tính toán?

Bài viết cảnh báo rằng mối đe dọa thực sự của AI không phải là các ứng dụng SaaS thay thế phần mềm truyền thống, mà là một cuộc cách mạng về năng lực tính toán đang âm thầm diễn ra, đe dọa vị thế thống trị của NVIDIA. Cuộc cách mạng này được thúc đẩy bởi hai xu hướng song song. Thứ nhất là "cách mạng thu nhỏ thuật toán" thông qua kiến trúc MoE (Mixed of Experts), như mô hình DeepSeek-V2, giúp giảm 90% chi phí tính toán trong khi vẫn duy trì hiệu suất tương đương. Thứ hai là "cách mạng phần cứng" với các chip chuyên dụng cho推理 (inference) từ các công ty như Cerebras và Groq, giúp tăng tốc độ xử lý bằng cách loại bỏ độ trễ truy cập bộ nhớ. Khi kết hợp, hai xu hướng này tạo ra một cơn lở tuyết về chi phí: tổng chi phí vận hành AI có thể chỉ còn 10-15% so với phương án GPU truyền thống. Điều này làm rung chuyển câu chuyện đầu tư vào NVIDIA, vốn dựa trên giả định rằng sự bùng nổ AI sẽ luôn phụ thuộc vào GPU của họ. Thay vào đó, thị trường推理 - lớn gấp 10 lần thị trường training - đang chứng kiến sự cạnh tranh khốc liệt và sự "đào ngũ" của chính những khách hàng lớn như OpenAI. Do đó, mối đe dọa thực sự không nằm ở ứng dụng, mà nằm ở sự sụp đổ của mô hình độc quyền phần cứng, có thể làm suy yếu đế chế NVIDIA và định hình lại hoàn toàn nền tảng của cuộc chạy đua AI.

marsbit02/12 04:39

Trận động đất tiếp theo của AI: Tại sao mối nguy hiểm thực sự không phải là 'Sát thủ SaaS', mà là cuộc cách mạng sức mạnh tính toán?

marsbit02/12 04:39

Trận động đất tiếp theo của AI: Tại sao mối nguy hiểm thực sự không phải là 'Sát thủ SaaS', mà là cuộc cách mạng sức mạnh tính toán?

Bài viết cảnh báo rằng mối đe dọa thực sự của AI không phải là các ứng dụng SaaS thay thế phần mềm truyền thống, mà là một cuộc cách mạng về năng lực tính toán đang âm thầm diễn ra. Tác giả chỉ ra hai xu hướng chính: một là cuộc cách mạng "thu nhỏ" thuật toán thông qua kiến trúc MoE (như DeepSeek-V2, chỉ cần kích hoạt 9% tham số để đạt hiệu suất tương đương GPT-4), và hai là cuộc cách mạng phần cứng với các chip chuyên dụng cho suy luận (inference) từ các công ty như Cerebras và Groq, giúp giảm độ trễ và chi phí. Sự kết hợp của hai xu hướng này có thể gây ra một "cơn lở tuyết" về chi phí, làm giảm tổng chi phí vận hành AI xuống chỉ còn 10-15% so với phương án dùng GPU truyền thống. Điều này đe dọa trực tiếp đến vị thế độc quyền của NVIDIA, vì nhu cầu về GPU của họ có thể sụt giảm nghiêm trọng, đặc biệt ở thị trường suy luận vốn lớn gấp 10 lần thị trường huấn luyện. Bài viết kết luận rằng kỷ nguyên vàng của NVIDIA với tư cách là "người bán xẻng" có thể kết thúc sớm hơn dự kiến.

marsbit02/11 02:00

Trận động đất tiếp theo của AI: Tại sao mối nguy hiểm thực sự không phải là 'Sát thủ SaaS', mà là cuộc cách mạng sức mạnh tính toán?

marsbit02/11 02:00

Hiểu về Physical AI của Jensen Huang: Tại sao cơ hội cho Crypto cũng ẩn giấu trong những 'ngóc ngách'?

Tại Diễn đàn Davos, Giám đốc điều hành NVIDIA Jensen Huang tuyên bố sự chuyển dịch từ thời đại "tập trung vào đào tạo AI" sang "AI suy luận" và "Physical AI" (AI vật lý), đánh dấu sự kết thúc của kỷ nguyên phụ thuộc vào sức mạnh tính toán thuần túy. Physical AI được xem là giai đoạn tiếp theo của Generative AI, tập trung vào việc giúp AI hiểu và tương tác với thế giới thực thông qua ba trụ cột chính: trí thông minh không gian (khả năng nhận thức môi trường 3D), môi trường đào tạo ảo (nơi AI thử nghiệm và học hỏi), và da điện tử (thu thập dữ liệu xúc giác). Bài viết chỉ ra rằng Physical AI mở ra cơ hội lớn cho Crypto, đặc biệt trong các lĩnh vực như DePIN (mạng phi tập trung), DeAI (AI phi tập trung) và DeData (dữ liệu phi tập trung). Cụ thể, các mạng lưới phi tập trung có thể khuyến khích người dùng chia sẻ dữ liệu từ những khu vực khó tiếp cận, cung cấp năng lượng tính toán phân tán cho các mô phỏng và đảm bảo quyền sở hữu và chia sẻ lợi nhuận từ dữ liệu nhạy cảm như thông tin xúc giác. Đây được xem là cơ hội để Crypto bổ sung và phát triển trong hệ sinh thái AI mới.

marsbit01/23 00:37

Hiểu về Physical AI của Jensen Huang: Tại sao cơ hội cho Crypto cũng ẩn giấu trong những 'ngóc ngách'?

marsbit01/23 00:37

活动图片

Danh mục Phổ biếnright-arrow

Thẻ Nổi bậtright-arrow

Chính sách Quản lýright-arrow

Cập nhật Dự ánright-arrow