Sự tiến hóa của ngành AI bước vào 'vùng phân hóa' khi thiết kế thống trị đang tụt hậu

Bài viết này dài khoảng 18.000 từ, cấu trúc chính như sau:

• Các phán đoán trực quan hoặc trừu tượng về sự phát triển của AI có thể khó để hướng dẫn quyết định hiệu quả

• Hai công cụ phân tích sự phát triển ngành công nghiệp kinh điển (Utterback + Klepper)

• Phân tích bằng khung gộp: Ngành AI hiện đang ở giai đoạn nào?

• Một câu hỏi mới cần phải đặt ra: Tốc độ tương lai sẽ như thế nào?

Thang thời gian tiến hóa của ngành công nghiệp AI: Từ thời đại sản xuất đến thời đại số

• Mốc thời gian cụ thể của cuộc cách mạng AI (dự đoán)

• Xác minh ngược bằng xu hướng mới nhất

Mở điện thoại di động, các tin tức về AI gần như mỗi ngày ập đến: một mô hình vừa được ra mắt, hiệu năng lại một lần nữa vượt qua; một công ty vừa huy động được vốn mới, định giá lại lập kỷ lục mới; số người dùng của một nền tảng đã phá vỡ kỷ lục mới; trên một bảng xếp hạng, người dẫn đầu hôm qua hôm nay đã bị vượt mặt. Mật độ và tốc độ thông tin đều vượt xa mọi cuộc cách mạng công nghệ trước đây.

Việc tham gia vào hội nghị WAIC vừa kết thúc vào tháng 7 vẫn tiếp tục mang lại cảm giác này. Trong không gian hội trường, những dữ liệu liên tục được cập nhật, hiệu năng không ngừng được vượt qua, các thông số kỹ thuật và hình thái sản phẩm không ngừng được cải tiến; từ các phòng thí nghiệm tiên tiến, các tập đoàn lớn, công ty khởi nghiệp, đến các doanh nghiệp trong ngành truyền thống, nhà sản xuất thiết bị cuối, và các tổ chức nghiên cứu, ngày càng nhiều doanh nghiệp thuộc các loại hình khác nhau đang tích cực tham gia và lồng ghép vào cuộc cách mạng công nghệ quy mô lớn này.

Thông tin dày đặc và số lượng người tham gia đông đảo sẽ tự nhiên dẫn đến hai phản ứng dễ xảy ra.

Một là lo lắng—Liệu tôi có đang bị bỏ lại phía sau? Liệu công ty của tôi có đang bỏ lỡ điều gì đó? Nếu không hành động trong tuần này, liệu sang tuần đã quá muộn chưa?

Một cách khác là phán đoán sự bốc đồng—ai đã chiến thắng? Ai đã bị loại? Bối cảnh ngành công nghiệp này có lẽ đã gần như được định hình?

Hai phản ứng này thực chất đều xuất phát từ cùng một vấn đề: Ngành công nghiệp AI hiện đang ở giai đoạn nào? Và chúng ta nên đánh giá một cách lý trí như thế nào?

Hiện nay cũng có một số quan điểm phổ biến—ví dụ như “AI đã bước vào một giai đoạn mới”. Dựa trên các góc nhìn khác nhau, những phán đoán này đều có tính hợp lý và cơ sở riêng. Tuy nhiên, đối với các nhà quản lý doanh nghiệp cần đưa ra các quyết định chiến lược nghiêm túc và chính xác, có thể cần trả lời rõ ràng trước tiên một số câu hỏi cơ bản hơn—chúng ta dựa vào đâu để khẳng định giai đoạn trước đã kết thúc? Dựa vào đâu để xác định AI đã bước vào một giai đoạn mới? Những đặc trưng cụ thể là gì? Có quy luật nội tại nào? Chu kỳ đầy đủ bao gồm những giai đoạn nào? Những câu hỏi này cần một khung phân tích chặt chẽ và khoa học hơn để đưa ra các phán đoán đáng tin cậy hơn—đây chính là vấn đề rất dễ bị bỏ qua trong cuộc cách mạng AI hiện nay, nhưng có thể mang lại chi phí rất lớn. Bởi vì việc phán đoán sai giai đoạn ngành công nghiệp sẽ直接影响 đến hướng đầu tư nguồn lực, nhịp độ và mức độ ưu tiên—nếu xác định sai giai đoạn, mọi hành động đều có thể lệch hướng.

Trong các cuộc thảo luận hiện nay về AI, nhiều học giả đã bắt đầu phân tích và đánh giá giai đoạn mà ngành công nghiệp đang ở, trong đó bài viết dài của Giáo sư Karim Lakhani từ Trường Kinh doanh Harvard, đăng trên Substack cá nhân vào tháng 3 năm 2026 với tựa đề “From Ferment to Dominant Design”, là một nỗ lực tiêu biểu. Ông đã vận dụng các công cụ phân tích do hai học giả nổi tiếng trong lĩnh vực nghiên cứu đổi mới công nghiệp — James Utterback (MIT) và Steven Klepper (Đại học Carnegie Mellon) — xây dựng trong suốt nhiều thập kỷ dựa trên dữ liệu lịch sử toàn diện của nhiều ngành công nghiệp, để đưa ra đánh giá giai đoạn cho cuộc cạnh tranh của các mô hình AI lớn, đồng thời đưa ra một số quan sát nguyên bản (sẽ được trình bày chi tiết sau). Kết luận cốt lõi của ông là: AI hiện đang ở giai đoạn cuối của sự lưu động, thiết kế chủ đạo vẫn chưa được xác lập; trật tự ngành công nghiệp nên được xem là một vấn đề còn đang mở, chứ không phải là một kết luận đã được đưa ra. Điều này phù hợp với hướng tiếp cận của bài viết này và cũng là một trong những nguồn quan điểm quan trọng mà tác giả đã tiếp thu khi xây dựng khung phân tích này.

Bài viết này sẽ trình bày đầy đủ khung lý thuyết kinh điển của hai học giả, khám phá khung phân tích mở rộng cho thời đại số/AI, kết hợp với dữ liệu và tiến bộ ngành công nghiệp mới nhất năm 2026, để trước tiên phán đoán một cách chặt chẽ giai đoạn hiện tại của sự phát triển ngành AI, sau đó đặt câu hỏi mà Giáo sư Lakhani chưa trả lời, nhưng cực kỳ quan trọng đối với các nhà ra quyết định doanh nghiệp: Theo quy luật chung của sự tiến hóa ngành công nghiệp, khi thiết kế chủ đạo được xác lập và sự tái cơ cấu sâu sắc bắt đầu rõ ràng, nhịp độ tương lai sẽ như thế nào?

Đây chính là "thang thời gian tiến hóa của ngành AI" mà bài viết này đề cập đến—chúng ta đang ở đâu và nhịp độ tương lai sẽ như thế nào.

Hai công cụ kinh điển này là tài sản học thuật công cộng có ảnh hưởng nhất trong lĩnh vực nghiên cứu đổi mới ngành. Giá trị của chúng không nằm ở các lý thuyết trừu tượng, mà ở chỗ chúng đều là những quy luật được tổng kết từ lượng lớn dữ liệu lịch sử và đã được kiểm chứng thực nghiệm nhiều lần.

Ba giai đoạn phát triển ngành của Utterback: Từ góc độ "chiều sản phẩm"

James Utterback là giáo sư tại Trường Quản lý Sloan của MIT và là một trong những học giả tiên phong trong lĩnh vực đổi mới công nghiệp và sự tiến hóa công nghệ. Nghiên cứu kinh điển do ông hợp tác với William Abernathy vào năm 1975 đã quan sát lịch sử tiến hóa công nghệ của hàng chục ngành sản xuất, và trong tác phẩm tổng hợp năm 1994 mang tên “Mastering the Dynamics of Innovation”, ông đã hệ thống hóa một quy luật nhất quán đáng kinh ngạc: sự tiến hóa công nghệ của hầu hết các ngành đều tuân theo một trình tự ba giai đoạn có thể nhận diện rõ ràng.

Giai đoạn lưu động (Fluid Phase) —— Mọi người đều đang thử nghiệm. Sản phẩm nên trông như thế nào, khách hàng thực sự cần gì, và thế nào là “đủ tốt” vẫn chưa có câu trả lời. Nhiều thiết kế cùng tồn tại và cạnh tranh, rào cản gia nhập thấp, sự đổi mới tập trung vào cấp độ sản phẩm. Vấn đề cốt lõi là: Sản phẩm nên là gì?

Giai đoạn chuyển tiếp (Transitional Phase) —— Một số lựa chọn thiết kế bắt đầu ổn định, một thiết kế chủ đạo (Dominant Design) nổi lên. Trọng tâm đổi mới chuyển từ "sản phẩm nên là gì" sang "làm thế nào để sản phẩm rẻ hơn, đáng tin cậy hơn và có quy mô lớn hơn"—từ đổi mới sản phẩm sang đổi mới quy trình. Vấn đề cốt lõi trở thành: Khách hàng thực sự coi trọng điều gì nhất?

Giai đoạn đặc biệt (Specific Phase) —— thiết kế sản phẩm cơ bản đã ổn định, cạnh tranh chuyển sang hiệu suất —— ai làm được rẻ hơn, đáng tin cậy hơn và quy mô lớn hơn. Sự đổi mới trở thành từng bước nhỏ, ngành công nghiệp trở nên tập trung cao. Vấn đề cốt lõi trở thành: Ai có thể giao hàng một cách đáng tin cậy, rẻ hơn và quy mô lớn hơn?

Sự hiểu biết then chốt của mô hình này là: trong ba giai đoạn, "người dẫn đầu" hoàn toàn khác nhau. Năng lực của người chiến thắng trong giai đoạn lưu động (thử nghiệm, tốc độ, trí tưởng tượng, dung sai lỗi) hoàn toàn khác với năng lực của người chiến thắng trong giai đoạn chuyên biệt (quy mô, chi phí, kỷ luật, độ tin cậy). Một công ty dẫn đầu trong giai đoạn lưu động không có nghĩa là nó có khả năng tiếp tục dẫn đầu trong giai đoạn chuyên biệt — đây cũng là lý do sâu xa khiến nhiều người dẫn đầu trong các cuộc biến đổi ngành công nghiệp cuối cùng lại bị loại bỏ.

Một điểm nữa là: Utterback sau đó cùng với Suárez (1993) chỉ ra rằng quá trình tiến hóa của ngành công nghiệp không nhất thiết phải trải qua đầy đủ ba giai đoạn—một số ngành cuối cùng sẽ hình thành thiết kế thống trị (quỹ đạo A), trong khi một số khác có thể duy trì lâu dài ở trạng thái tồn tại song song của nhiều quỹ đạo (quỹ đạo B).

2.1.1 Khái niệm then chốt: “Thiết kế chủ đạo” là gì, và liệu nó còn tồn tại trong thời đại AI không?

Trong ba giai đoạn, Thiết kế chủ đạo (Dominant Design) là khái niệm cốt lõi nhất, cần được trình bày chi tiết hơn.

Thiết kế chủ đạo không phải là "sản phẩm của một công ty nào đó chiến thắng", mà là "một tổ hợp công nghệ và hình thái sản phẩm nhất định trở thành tiêu chuẩn thực tế của toàn ngành". Khi đã được thiết lập, những người tham gia sau này muốn cạnh tranh đều phải dựa trên thiết kế này—những sản phẩm lệch khỏi nó gần như không thể tránh khỏi việc bị loại bỏ.

Ví dụ kinh điển nhất là xe Ford Model T năm 1908—điều nó thiết lập không phải là "thương hiệu Ford chiến thắng", mà là bộ tổ hợp "động cơ xăng đốt trong + động cơ đặt trước + dẫn động cầu sau + sản xuất trên dây chuyền", trở thành câu trả lời mặc định cho toàn bộ ngành công nghiệp ô tô trong vài thập kỷ tiếp theo. Từ đó trở đi, các hãng xe đều cạnh tranh với nhau trong khuôn khổ thiết kế chủ đạo này để xem ai làm tốt hơn, chứ không còn đặt câu hỏi lại "ô tô nên trông như thế nào".

Khi thiết kế chủ đạo được xác lập, quy tắc của ngành công nghiệp thay đổi lặng lẽ: trọng tâm đổi mới chuyển từ "sản phẩm nên là gì" sang "làm thế nào để sản phẩm rẻ hơn, đáng tin cậy hơn và có quy mô lớn hơn"—từ đổi mới sản phẩm sang đổi mới quy trình. Đây cũng là ranh giới quan trọng nhất giữa giai đoạn chuyển tiếp và giai đoạn chuyên biệt.

Một câu hỏi tự nhiên tiếp theo: Liệu thời đại AI còn có thiết kế thống trị không?

Tôi cho rằng: Câu trả lời là có, nhưng hình thái sẽ khác với thời kỳ sản xuất chế tạo. Miễn là ngành công nghiệp cần giao hàng quy mô lớn, cần sự phối hợp hệ sinh thái và cần sự ổn định trong kỳ vọng của người dùng, thì nhất định sẽ hình thành một “tiêu chuẩn thực tế” nào đó — đây là yêu cầu kinh tế của hoạt động ngành công nghiệp. Mặc dù thời đại internet có nhịp độ nhanh hơn, nhưng vẫn xuất hiện những thiết kế chủ đạo từng lớp như TCP/IP, HTTP, HTML, lõi Chromium.

Tuy nhiên, thiết kế chủ đạo trong thời đại AI có khả năng là "phân tầng, đa dạng và có thể kết hợp" — thay vì "một sản phẩm duy nhất thống trị", các tiêu chuẩn thực tế sẽ xuất hiện ở từng lớp khác nhau trong công nghệ stack và được kết nối thông qua các giao diện và giao thức.

Nói cách khác, thiết kế thống trị trong thời đại AI có thể không phải là “chiếc xe T tiếp theo”, mà gần giống với một bộ giao thức phân tầng kiểu “TCP/IP + HTTP + HTML” — mỗi lớp đều ổn định và hợp tác với nhau thông qua các giao diện chuẩn. Những gì đã bắt đầu xuất hiện hiện nay, như MCP (Model Context Protocol), mạng A2A (Agent-to-Agent) và các tiêu chuẩn gọi API thực tế, đều có thể là những tiền thân của loại “thiết kế thống trị thế hệ tiếp theo”. Thiết kế thống trị không biến mất, nó chỉ thay đổi hình thức thể hiện.

2.1.2 Xác minh dữ liệu lịch sử

Độ tin cậy của mô hình ba giai đoạn Utterback đến từ việc nó mô tả chính xác quá trình xác lập nhiều thiết kế chủ đạo:

• Ngành công nghiệp ô tô: Sau khi mẫu xe Ford T ra đời năm 1908 xác định thiết kế chủ đạo, ngành công nghiệp ô tô nhanh chóng chuyển từ giai đoạn lưu động sang giai đoạn chuyển tiếp.

• Ngành công nghiệp truyền hình: Các máy truyền hình đen trắng sớm và nhiều phương án màu khác nhau cùng tồn tại, sau khi tiêu chuẩn truyền hình màu NTSC được xác lập vào năm 1953, ngành này bước vào giai đoạn chuyển tiếp.

• Máy tính cá nhân: Cuối những năm 1970, nhiều kiến trúc như Apple II, TRS-80, Commodore đã xuất hiện, cho đến khi năm 1981, kiến trúc IBM PC cùng liên minh Wintel ra đời, mới xác lập được thiết kế thống trị.

• Điện thoại thông minh: Trước khi iPhone ra mắt năm 2007, thị trường có nhiều thiết kế khác nhau như BlackBerry, Nokia Symbian, Windows Mobile. Sau khi tổ hợp iPhone + iOS/Android trở thành thiết kế thống trị, các hướng đi khác nhanh chóng rời khỏi thị trường chính.

Đặc điểm chung: đều trải qua giai đoạn lưu động với nhiều tuyến đường đồng tồn tại, sau đó một tổ hợp cụ thể trở thành thiết kế chủ đạo. Tính nhất quán của quy luật này là nền tảng thực nghiệm của mô hình Utterback.

2.2 Động lực dân số công nghiệp của Klepper: Từ góc độ "doanh nghiệp"

Steven Klepper là giáo sư kinh tế học tại Đại học Carnegie Mellon, một học giả hàng đầu trong lĩnh vực tổ chức công nghiệp và sự tiến hóa doanh nghiệp. Ngay từ năm 1982, Klepper đã hợp tác với Michael Gort để công bố mô hình toán học đầu tiên về chu kỳ công nghiệp theo nghĩa kinh tế học công nghiệp (thường được gọi là mô hình G-K trong giới học thuật), sau đó ông tiếp tục xuất bản một loạt nghiên cứu sâu hơn độc lập. Dựa trên nghiên cứu hệ thống dữ liệu lịch sử hàng thập kỷ của nhiều ngành công nghiệp, Klepper đã phát hiện ra một quy luật nhất quán về sự gia nhập và rút lui của các doanh nghiệp trong quá trình hình thành và phát triển:

Nhập vào xu hướng tăng → Số lượng doanh nghiệp đạt đỉnh → Cuộc tái cơ cấu lớn → Một số doanh nghiệp hàng đầu chi phối.

Cơ sở thực nghiệm của quy luật này là việc ông theo dõi đầy đủ nguồn gốc, vị trí và năm sản xuất của tất cả các doanh nghiệp gia nhập ngành công nghiệp ô tô Mỹ từ năm 1895 đến 1966. Dữ liệu như sau:

Có một nghịch lý đáng kinh ngạc:

Từ đỉnh cao đến sự tích hợp sâu rộng vào những năm 1960, khoảng 50-60 năm đã trôi qua, nhưng trong khoảng thời gian đó, sản lượng ô tô hàng năm của Mỹ đã tăng hàng trăm lần theo thang logarit. Nói cách khác, ngành công nghiệp trở nên cực kỳ khổng lồ, trong khi số lượng doanh nghiệp lại trở nên cực kỳ ít ỏi. Ngành công nghiệp không vật lộn, nó đang phát triển mạnh mẽ; những gì chết đi là những kẻ yếu kém, không phải nhu cầu.

Klepper cũng đã xác minh quy luật tương tự trong nhiều ngành công nghiệp khác, khiến hình dạng "tăng trưởng - đạt đỉnh - suy giảm" không còn là hiện tượng đặc thù của ngành ô tô—ngành truyền hình (đầu những năm 1950 có hơn 80 người tham gia, sau đó trải qua quá trình sàng lọc tương đối nhanh), máy đánh chữ, bóng đèn chân không, lốp xe, penicillin... đều cho thấy cùng một hình dạng cơ bản. Điều này cung cấp nền tảng thực nghiệm vững chắc cho lý thuyết của Klepper.

2.2.1 Một lý thuyết then chốt: Lý thuyết tổng hợp chênh lệch năng lực

Klepper đã giải thích hiện tượng trên bằng một lý thuyết: lý thuyết tổng hợp sự khác biệt về năng lực:

Sự xáo trộn không phải là phán quyết đột ngột của thị trường, mà là kết quả tất yếu của sự tích lũy theo thời gian về sự khác biệt năng lực doanh nghiệp.

Sự khác biệt giữa các doanh nghiệp trong khả năng đổi mới, tăng trưởng và giảm chi phí sẽ được khuếch đại theo cấp số nhân theo thời gian, cho đến khi những bên yếu hơn vượt qua ngưỡng sinh tồn. Lý thuyết này có ba điểm then chốt:

Đầu tiên, sự khác biệt về năng lực thường bắt nguồn từ những yếu tố ngẫu nhiên trong giai đoạn đầu. Trong những năm đầu tiên gia nhập ngành, năng lực của các doanh nghiệp thực tế khá tương đồng, nhưng do một vài lựa chọn khác biệt về quyết định then chốt, nhân sự then chốt và cơ hội then chốt, sự khác biệt về năng lực giữa các doanh nghiệp bắt đầu xuất hiện. Những khác biệt này ban đầu gần như không đáng kể.

Thứ hai, sự khác biệt về năng lực sẽ tự củng cố và khuếch đại theo cấp số nhân. Doanh nghiệp có năng lực hơi vượt trội sẽ giành được nhiều thị phần hơn → nhiều nguồn lực và cơ hội học hỏi hơn → năng lực tiếp tục dẫn đầu—đây là một vòng lặp phản hồi tích cực. Trong khi đó, các doanh nghiệp có năng lực yếu hơn sẽ rơi vào vòng phản hồi tiêu cực ngược lại. Sau nhiều năm, sự khác biệt ban đầu "không đáng kể" đã được tích lũy thành một khoảng cách "không thể theo kịp".

Thứ ba, khi sự khác biệt tích lũy đến mức "sự khác biệt tới hạn", những người yếu sẽ bị loại bỏ. Hạt giống của sự loại bỏ đã được gieo rắc ngay từ giai đoạn đầu của chu kỳ lưu thông—trên bề mặt, tất cả đều đang chạy, nhưng thực tế tốc độ tích lũy của nền tảng hoàn toàn khác nhau.

Nghiên cứu trên đã đưa ra một kết luận đáng để các nhà quản lý doanh nghiệp cảnh giác: đợi đến khi báo cáo tài chính xấu đi mới bắt đầu chú trọng xây dựng năng lực thì đã quá muộn; đợi đến khi xuất hiện các tín hiệu tái cơ cấu rõ ràng mới khởi động nâng cấp năng lực thì cửa sổ cơ hội đã đóng lại. Điều thực sự quyết định ai có thể vượt qua sự tái cơ cấu là liệu doanh nghiệp có coi “tốc độ tích lũy năng lực” là biến số chiến lược quan trọng nhất ngay từ giai đoạn đầu hay không.

2.2.2 Một quan sát quan trọng khác trái với trực giác: Cửa sổ nhập lệnh đóng sớm hơn tín hiệu xáo trộn

Ngoài lý thuyết tổng hợp khác biệt năng lực, Klepper còn có một quan sát phi trực giác nhưng cực kỳ quan trọng — cửa vào ngành công nghiệp đóng lại sớm hơn tín hiệu xáo trộn.

Quay lại dữ liệu ngành công nghiệp ô tô: Sau khi số lượng doanh nghiệp đạt đỉnh vào năm 1907-1910, tỷ lệ gia nhập của các công ty mới giảm mạnh sau năm 1910—lúc này chưa có dấu hiệu rõ ràng của việc thanh lọc, ngành vẫn đang tăng trưởng nhanh, và truyền thông chưa bắt đầu đưa tin về "các công ty rút lui". Sự thanh lọc rõ ràng (số lượng doanh nghiệp giảm liên tục trong nhiều thập kỷ) mới thực sự bắt đầu sau năm 1920. Nói cách khác:

• Khoảng năm 1910 —— từ bên ngoài vẫn trông như một “bức tranh thịnh vượng, mọi nhà đều đang sản xuất ô tô”, nhưng cửa sổ cơ hội cho những người mới gia nhập thực sự đã bắt đầu đóng lại (số lượng người chơi mới thực sự muốn tham gia ngày càng ít đi)

• 1920–1960 — Tín hiệu xáo trộn bắt đầu xuất hiện, truyền thông bắt đầu đưa tin về sự tích hợp, lúc này những người quan sát bình thường mới nhận ra “Ồ, ngành đang tích hợp”.

• Khi những người quan sát nhận ra thì cửa sổ đã đóng lại整整 10-15 năm.

Quan sát này có ý nghĩa thực tiễn rất mạnh: các doanh nghiệp không thể chờ đến khi xuất hiện "tín hiệu tái cơ cấu rõ ràng" mới quyết định có nên tham gia vào một ngành hoặc một cấp độ nào đó—vì khi tín hiệu đó xuất hiện, cửa sổ cơ hội đã đóng lại rồi. Việc đưa ra quyết định tham gia thông minh thực sự phải được hoàn thành ngay khi "bề ngoài vẫn đang thịnh vượng và mọi người đều đang gia nhập", tức là đã tự mình đánh giá được liệu "cửa sổ cơ hội có đang đóng lại hay không".

Quan sát này sẽ được nhắc lại khi thảo luận về trục thời gian của AI — cửa sổ nhập trường của các mô hình AI lớn có thể đóng sớm hơn nhiều so với dự kiến của hầu hết các quan sát viên.

2.3 Mỗi công cụ đều có điểm mù riêng, việc kết hợp sử dụng cả hai sẽ giúp đưa ra đánh giá khoa học hơn về giai đoạn ngành công nghiệp.

Hai công cụ này khi sử dụng riêng lẻ đều có những điểm mù rõ rệt — Utterback cho bạn biết "sản phẩm phát triển như thế nào", nhưng không nói cho bạn biết doanh nghiệp nào sẽ sống sót; Klepper cho bạn biết "doanh nghiệp bị loại bỏ như thế nào", nhưng không nói cho bạn biết tiến trình sản phẩm sẽ thay đổi ra sao. Chỉ sử dụng một công cụ, bạn sẽ chỉ thấy một nửa bức tranh về sự tiến hóa của ngành công nghiệp.

Sự phát triển đầy đủ của một ngành công nghiệp bao gồm hai quá trình: “sự hội tụ trong thiết kế công nghệ” và “sự tái cơ cấu dân số doanh nghiệp” — quá trình đầu tiên có thể được trả lời bằng công cụ của Utterback, quá trình sau có thể được trả lời bằng công cụ của Klepper. Hai quá trình này có liên quan nhưng không hoàn toàn đồng bộ — việc xác lập thiết kế thống trị thường xảy ra sau khi số lượng doanh nghiệp đạt đỉnh và trước khi quá trình tái cơ cấu gia tốc.

Ngành công nghiệp ô tô hoạt động như thế này: số lượng doanh nghiệp đạt đỉnh điểm 275 vào năm 1907-1910, năm 1908 xe Ford Model T xác định thiết kế chủ đạo, sau năm 1910 tỷ lệ gia nhập giảm mạnh, và tổng số doanh nghiệp bắt đầu giảm đáng kể sau năm 1920. Hai quá trình này tác động lẫn nhau và cùng xác định nhịp điệu toàn bộ của sự phát triển ngành công nghiệp.

Kết hợp sử dụng hai công cụ, tức là đồng thời xem xét ngành công nghiệp từ cả "khía cạnh sản phẩm" và "khía cạnh doanh nghiệp" — bất kỳ phán đoán nào về giai đoạn phát triển của ngành công nghiệp đều trở nên đáng tin cậy và khoa học hơn khi các quan sát từ hai khía cạnh này hỗ trợ lẫn nhau.

3.0 Mô tả phạm vi phân tích

“AI cách mạng” là một khái niệm rất rộng. Phạm vi phân tích của bài viết này tập trung vào một hệ thống tổng thể đang phát triển đồng bộ gồm “các mô hình AI quy mô lớn cùng ứng dụng và sản phẩm liên quan”—bao gồm chính bản thân các mô hình nền tảng, các ứng dụng và hình thái sản phẩm xung quanh mô hình lớn (như hội thoại/lập trình/Agent/đồng lái/đa phương thức/phần mô hình điều khiển trí tuệ thể chất), cũng như các tài sản bổ trợ gắn chặt (điện toán đám mây, năng lực tính toán, chip, chuỗi công cụ, hệ thống đánh giá). Ba phần này không phải là ba ngành công nghiệp riêng biệt, mà là ba cấp độ liên kết trong quá trình phát triển của cùng một ngành công nghiệp.

Không nằm trong phạm vi phân tích của bài viết này: các phần liên quan đến hình thái vật lý độc lập hoặc logic ngành độc lập—như thân cơ khí/hardware của robot hình người, AI + y tế/luật/pháp/giáo dục và các ngành dọc khác—mỗi ngành đều có quy luật công nghiệp riêng, không thể áp dụng trực tiếp thang thời gian của bài viết này.

3.1 Từ góc nhìn của Utterback: Mỗi lớp đều vẫn đang trong giai đoạn lưu động

Khi xem mô hình ba giai đoạn của Utterback về các mô hình AI lớn và ứng dụng hiện tại, có thể thấy rằng gần như mọi khía cạnh quan trọng đều vẫn đang trong tranh luận.

Lớp kiến trúc: Transformer sẽ là điểm kết thúc? Hay một nhánh nào đó trong số các hướng thay thế như Mixture of Experts (MoE), Mô hình không gian trạng thái (họ Mamba), Mô hình thế giới, tính toán trong quá trình suy luận, hoặc kiến trúc bản địa Agent sẽ chiến thắng? Trong khi các nhà sản xuất hàng đầu năm 2026 đang đầu tư quy mô lớn vào con đường MoE, các hướng thay thế như mô hình thế giới và kiến trúc Agent bản địa cũng liên tục nhận được những tiến bộ quan trọng từ cả cộng đồng học thuật lẫn công nghiệp; những cuộc thảo luận công khai về sự giảm dần lợi ích biên của Scaling Law cũng khiến ngành tái xem xét “liệu còn có những khả năng nền tảng khác không?”. Con đường kiến trúc vẫn chưa hội tụ.

Lớp hình thái sản phẩm (AI sẽ đến tay người dùng và doanh nghiệp dưới dạng sản phẩm nào) — hiện tại có ít nhất sáu hình thái đang cạnh tranh song song:

Sáu hình thái vừa chồng chéo lẫn nhau, vừa cạnh tranh với nhau, và không có hình thái nào có thể nói rằng mình đã chiến thắng—đây chính là đặc điểm điển hình của giai đoạn lưu động với sự đồng tồn tại của nhiều hình thái sản phẩm.

Các chiều cạnh cạnh tranh: khả năng suy luận, mã hóa, chi phí, độ trễ, độ dài ngữ cảnh, đa phương tiện, khả năng Agent / thời gian tự chủ thực hiện nhiệm vụ, độ tin cậy / tỷ lệ ảo giác, bảo mật / khả năng kiểm soát—chiều cạnh nào cuối cùng sẽ được thị trường xác định là “quan trọng nhất”? Mỗi nhà sản xuất đều tuyên bố dẫn đầu trên chiều cạnh họ mạnh nhất, nhưng thị trường vẫn chưa có sự đồng thuận về “chiều cạnh nào quan trọng nhất”. Đặc biệt, chiều cạnh mới “có thể hoạt động độc lập trong bao lâu”—từ một chủ đề phụ năm 2025 trở thành chỉ số cốt lõi tại hội nghị chính WAIC năm 2026 chỉ trong một năm—chính là tín hiệu cho thấy các chiều cạnh cạnh tranh vẫn chưa được định hình.

Từ góc nhìn của Utterback, các mô hình AI quy mô lớn và các ứng dụng của chúng rõ ràng vẫn đang trong giai đoạn lưu động—nhiều hướng đi đồng thời tồn tại, khái niệm sản phẩm chưa xác định, và các chiều cạnh cạnh tranh chưa được xác định.

3.2 Từ góc nhìn của Klepper: Giai đoạn gia nhập cao, nhưng sự phân hóa năng lực đã hình thành âm thầm

Từ động lực dân số công nghiệp của Klepper nhìn vào ngành công nghiệp mô hình lớn AI, ta quan sát thấy hiện tượng "mâu thuẫn cùng tồn tại".

Một mặt, các doanh nghiệp toàn cầu về mô hình AI quy mô lớn vẫn đang ở giai đoạn đầu vào cao — OpenAI, Anthropic, Google, Meta, xAI, Mistral, cùng với Baidu, Alibaba, Tencent của Trung Quốc, DeepSeek , Mặt tối của Mặt Trăng, Zhipu, ByteDance, cùng với vô số công ty khởi nghiệp chuyên về các bối cảnh cụ thể. Những người tham gia mới vẫn đang liên tục xuất hiện, mang đặc trưng thử nghiệm dày đặc.

Mặt khác, sự bất cân xứng năng lực của các doanh nghiệp hàng đầu đã dần dần nảy sinh—năng lực tính toán (ai có thể gánh chịu chi phí huấn luyện quy mô cực lớn), phân phối (ai kiểm soát lối vào), khách hàng doanh nghiệp (ai tích lũy được niềm tin ngành), và tốc độ học hỏi tổ chức (ai nhanh chóng chuyển hóa từng bước tiến bộ công nghệ thành sản phẩm và năng lực kinh doanh). Đây chính là hiện trường mà "sự tích lũy chênh lệch năng lực" đang âm thầm diễn ra—khoảng cách giữa các doanh nghiệp hàng đầu và không phải hàng đầu mà chúng ta thấy hôm nay, phần lớn là kết quả của quá trình "tích lũy" trong 3-4 năm qua.

Từ góc nhìn của Klepper, ngành công nghiệp mô hình AI lớn đang ở giai đoạn "nhập cuộc cao, nhưng sự phân hóa năng lực đã bắt đầu" — tương đương với ngành công nghiệp ô tô giai đoạn 1900-1910, khi số lượng doanh nghiệp vẫn đang tăng lên đến đỉnh điểm, nhưng một số người chơi đã bắt đầu lặng lẽ tạo ra khoảng cách.

3.3 Kiểm tra nghiêm ngặt do thiết kế dẫn dắt: Năm yếu tố thúc đẩy

Trước đây, dựa trên Utterback + Klepper, đã chỉ ra một kết luận: các mô hình AI quy mô lớn và ứng dụng của chúng đang ở giai đoạn cuối của sự lưu động. Kết luận này đáng được kiểm tra lại một cách có thể xác minh — tác giả tổng hợp các nghiên cứu và lập luận của các học giả Utterback, Suárez, Christensen và những người khác, đã tổng hợp năm yếu tố thúc đẩy thiết kế chủ đạo. Trong lịch sử, việc xác lập thiết kế chủ đạo thường đòi hỏi ít nhất 3-4 yếu tố trong số này phải đồng thời tồn tại:

• Yếu tố thứ nhất: Tính khả thi về mặt kỹ thuật – một thiết kế nhất định đạt được sự hội tụ rõ ràng về hiệu suất tổng thể và tính khả thi kỹ thuật, ngành công nghiệp thực tế đang tập trung về hướng này, trở thành “giải pháp được công nhận” trên con đường công nghệ

• Yếu tố thứ hai: Sự trưởng thành của tài sản bổ trợ – chuỗi cung ứng, tiêu chuẩn, công cụ, hệ thống đào tạo và hệ sinh thái nhà phát triển xung quanh thiết kế này đã được xây dựng, tạo ra sự khóa chặt hệ sinh thái

• Yếu tố thứ ba: Hiệu ứng kinh tế quy mô – Việc triển khai quy mô của thiết kế này tạo ra vòng xoay tích cực: "chi phí giảm + kinh tế đơn vị tích cực + mô hình kinh doanh hoạt động hiệu quả", vòng lặp đầu tư - đầu ra - đầu tư lại bắt đầu vận hành.

• Yếu tố thứ tư: Sự thúc đẩy từ các nhà sản xuất dẫn đầu – một số ít doanh nghiệp có ảnh hưởng thị trường lựa chọn và quảng bá thiết kế này, cùng thiết lập tiêu chuẩn thực tế thông qua thị phần và sức hút hệ sinh thái

• Yếu tố thứ năm: Sự can thiệp của chính phủ/ cơ quan quản lý – thông qua các đạo luật chuẩn hóa, hệ thống chứng nhận và khung quản lý để bắt buộc hoặc định hướng sự thống nhất

Ford T-model trở thành thiết kế ô tô thống trị vào năm 1908 vì năm yếu tố này gần như đồng thời được đáp ứng: tính khả thi về mặt công nghệ (động cơ đốt trong + bố trí động cơ phía trước tối ưu), tài sản bổ trợ (trạm xăng, mạng lưới bảo trì) nhanh chóng phát triển, kinh tế quy mô (dây chuyền sản xuất giảm chi phí), nhà sản xuất dẫn đầu (Ford từng chiếm hơn một nửa thị phần), và quy định của chính phủ (tiêu chuẩn đường bộ, hệ thống cấp bằng lái).

Sử dụng năm yếu tố này để kiểm tra từng yếu tố trạng thái hiện tại của các mô hình AI quy mô lớn và các ứng dụng của chúng, chỉ có một phần đáp ứng, bốn phần còn lại đều chưa được thực hiện—đây chính là cơ sở cụ thể để bài viết kết luận rằng "các mô hình AI quy mô lớn và các ứng dụng của chúng vẫn đang ở giai đoạn lưu động cuối": không phải dựa trên cảm tính, mà là từng bước đối chiếu.

Nói cách khác, yêu cầu về việc xác định thiết kế chủ đạo — "cần ít nhất 3-4 yếu tố cùng lúc" — vẫn còn xa vời với AI hiện tại.

3.4 Phán đoán giai đoạn tổng hợp: "Vùng phân hóa" di chuyển từ giai đoạn lưu động muộn sang giai đoạn chuyển tiếp đầu tiên

Dựa trên phân tích tổng hợp và kiểm tra năm yếu tố, có thể đưa ra một phán đoán tổng thể: Hiện tại, các mô hình AI quy mô lớn và các ứng dụng của chúng đang ở giai đoạn cuối của chu kỳ thanh khoản và đã bắt đầu chuyển sang giai đoạn đầu tiên — tác giả gọi đây là: "vùng phân hóa".

Ý nghĩa cốt lõi của "vùng phân hóa" có thể tóm tắt như sau: sản phẩm vẫn ở trạng thái phân tầng và mở, nhưng sự phân hóa năng lực đã bắt đầu

"Phân hóa" không phải là một giai đoạn mới độc lập, mà mô tả vùng chuyển tiếp giữa giai đoạn lưu động và giai đoạn chuyển tiếp trong lý thuyết ba giai đoạn của Utterback; nó cũng không dự đoán rằng AI nhất định sẽ hoàn thành giai đoạn chuyển tiếp để tiến đến giai đoạn chuyên biệt. Là một khái niệm mang tính mô tả, nó ghi nhận cấu trúc hai mặt hiện hữu khách quan hiện nay:

Một mặt: về mặt sản phẩm, kiến trúc, hình thái và các yếu tố cạnh tranh vẫn còn mở—nhiều tuyến đường cùng tồn tại, thiết kế chủ đạo chưa xuất hiện, vẫn thuộc giai đoạn đang lưu động và chưa kết thúc.

Mặt khác: Về mặt doanh nghiệp, sự khác biệt về năng lực giữa các công ty hàng đầu và không phải hàng đầu đã bắt đầu gia tăng—khoảng cách về năng lực tính toán, phân phối, khách hàng doanh nghiệp và tốc độ học hỏi tổ chức đang âm thầm nới rộng, thuộc về một phần đã bắt đầu trong giai đoạn chuyển tiếp đầu tiên.

Hai mặt chồng lên nhau tại cùng một thời điểm tạo thành "vùng phân hóa". Đây không phải là hỗn loạn, vì các mô hình có thể nhìn thấy và sự bất đối xứng tích lũy đã tồn tại; cũng không phải là đã kết thúc, vì tiêu chuẩn xác định ai sẽ là người cười到最后 vẫn chưa được củng cố. Nói một cách ngắn gọn: bên ngoài vẫn trông như đang thịnh vượng, nhưng sự khác biệt về năng lực đã bắt đầu tích lũy.

Điều đáng được bổ sung thêm là ba quan sát gốc do Giáo sư Karim Lakhani đưa ra trong bài viết dài tháng 3 năm 2026, dựa trên cùng khung phân tích — những quan sát này có thể được xem là sự làm rõ thêm về cơ chế bên trong "vùng phân hóa".

Lakhani quan sát 1: Sự mở cửa về kiến trúc × sự bất đối xứng cạnh tranh có thể cùng tồn tại—sự mở cửa ở cấp độ kiến trúc và sự phân hóa ở cấp độ doanh nghiệp có thể song song tồn tại. Lakhani đặt tên cho trạng thái này một cách chính xác là: "Sự lên men có cấu trúc (Structured Ferment)", chỉ cùng một hiện tượng với "vùng phân hóa" trong bài viết này—chỉ khác là bài viết này nhấn mạnh hơn vào động lực học của "sự phân hóa năng lực", trong khi Lakhani nhấn mạnh hơn vào cảm giác đồng thời tồn tại nhiều tuyến đường của "sự lên men".

Quan sát của Lakhani thứ hai: Giả thuyết phân cấp tập trung — Cơ cấu ngành công nghiệp của AI trong tương lai có thể không hội tụ về mô hình "một người chiến thắng chiếm hết", mà thay vào đó, sẽ xuất hiện các nhà dẫn đầu khác nhau ở các tầng khác nhau của chuỗi công nghệ: tầng mô hình tiên tiến, tầng tích hợp doanh nghiệp, tầng sinh thái mở, và tầng bổ sung chuyên biệt (điện toán đám mây, chip, công cụ, bảo mật), mỗi tầng đều hình thành các nhà dẫn đầu riêng.

Lakhani quan sát thứ ba: Sắp xếp đa mô hình là mô hình kinh doanh mới nổi—các nhiệm vụ thực tế đang được chia thành một chuỗi: lên ý tưởng, truy vấn, soạn thảo, mã hóa, kiểm tra, định dạng, giao hàng—các mô hình khác nhau có thế mạnh riêng tại từng giai đoạn của chuỗi này. Điều quyết định thắng bại thực sự có thể không phải là "mô hình nào mạnh nhất", mà là "ai có thể gọi đúng trí tuệ phù hợp vào đúng thời điểm cho đúng nhiệm vụ".

3.5 Tổng hợp các đặc điểm cụ thể của giai đoạn hiện tại

Tổng hợp các phân tích trên, các đặc điểm cụ thể của giai đoạn "vùng phân hóa" hiện tại có thể được tóm tắt như sau:

Vậy thì, nếu các mô hình AI quy mô lớn và ứng dụng của chúng đang ở "vùng phân hóa" (di chuyển từ giai đoạn lưu thông muộn sang giai đoạn đầu tiên), theo quy luật chung của sự phát triển ngành công nghiệp, khi thiết kế chủ đạo được xác lập và sự sàng lọc sâu sắc bắt đầu xuất hiện, nhịp độ tương lai sẽ như thế nào?

Đây là một câu hỏi cực kỳ quan trọng đối với các nhà ra quyết định doanh nghiệp. Bởi vì cảm nhận về thời gian trực tiếp quyết định nhịp độ hành động — nếu cửa sổ kéo dài 20 năm, có thể bố trí một cách bình tĩnh; nếu cửa sổ chỉ có 3-5 năm, nhiều hành động phải được khởi động ngay lập tức.

Một suy luận rất tự nhiên là tham chiếu đến dữ liệu lịch sử của Utterback và Klepper: ngành công nghiệp ô tô mất khoảng 15-20 năm để đi từ giai đoạn lưu động đến khi thiết kế chủ đạo được xác lập, và 50-60 năm để đi từ đỉnh điểm đến sự tích hợp sâu rộng—nếu AI cũng tuân theo thang thời gian này, dường như chúng ta vẫn còn rất nhiều thời gian.

Nhưng ở đây có một vấn đề rất quan trọng—hai công cụ của Utterback và Klepper đều dựa trên dữ liệu từ ngành sản xuất. Thang thời gian tiến hóa của ngành sản xuất có thể được áp dụng trực tiếp vào thời đại số/AI không? Nếu không, thì thang thời gian thực sự là bao nhiêu? Đây chính là câu hỏi sẽ được trả lời tiếp theo.

Sự khác biệt cấu trúc giữa ngành sản xuất và thời đại số — cùng lý do tại sao nó đang gia tốc

Sự tiến hóa của ngành sản xuất diễn ra một cách tự nhiên chậm chạp, vì nó có một số đặc điểm chung:

• Sản phẩm vật lý cần nhà máy, chuỗi cung ứng, kênh phân phối — việc mở rộng bị giới hạn bởi yếu tố vật lý

Việc xây dựng kinh tế quy mô đòi hỏi vốn lớn và thời gian dài—việc xây dựng nhà máy và thiết lập chuỗi cung ứng đều là những hành động kéo dài.

• Việc người dùng tiếp nhận bị giới hạn bởi tốc độ phân phối vật lý—một chiếc ô tô từ khi sản xuất đến khi đến tay người dùng cần vài tuần đến vài tháng

• Sự tiến hóa kỹ thuật bị giới hạn bởi nhịp độ cải tiến của công nghệ, vật liệu và thiết bị sản xuất—mỗi thế hệ cải tiến đều cần xây dựng lại dây chuyền sản xuất

Chính vì những đặc điểm này, giai đoạn bão hòa của ngành công nghiệp ô tô kéo dài khoảng 20 năm, từ thiết kế chủ đạo đến tích hợp sâu rộng lại mất thêm vài thập kỷ. Những quy mô thời gian này không phải là "quy luật chung" của sự phát triển ngành công nghiệp, mà là kết quả của các ràng buộc vật lý và vốn đặc trưng của ngành sản xuất.

Khi những ràng buộc này bị phá vỡ bằng kỹ thuật số, bốn đặc điểm đều đang trải qua những thay đổi căn bản, thang thời gian tiến hóa của ngành công nghiệp bị nén trực tiếp:

• Phân phối có chi phí biên gần như bằng không—một ứng dụng có thể tiếp cận toàn cầu trong vài tháng, ChatGPT đạt 100 triệu người dùng chỉ trong khoảng 2 tháng, là một trong những sản phẩm tiêu dùng được chấp nhận nhanh nhất trong lịch sử.

• Kinh tế quy mô đã được thay thế bởi hiệu ứng mạng và vòng lặp dữ liệu — kinh tế quy mô trong sản xuất đòi hỏi nhà máy tích lũy nhiều năm, trong khi hiệu ứng quy mô trong ngành số có thể xây dựng một vòng lặp tự tăng trưởng theo cấp số nhân trong 1-2 năm.

• Việc người dùng tiếp nhận bị giới hạn bởi băng thông và thiết bị cuối, thay vì phân phối vật lý — từ “vài tuần vài tháng” rút ngắn còn “tải về và sử dụng trong vài phút”.

• Sự tiến hóa kỹ thuật bị giới hạn bởi nhân tài và sức mạnh tính toán, chứ không phải bởi quy trình và thiết bị — các doanh nghiệp hàng đầu tích lũy vốn, sức mạnh tính toán và nhân tài với quy mô khổng lồ trong thời gian cực ngắn (tổng cam kết đầu tư vào hạ tầng AI của năm công ty công nghệ lớn nhất Mỹ vào năm 2026 đạt mức 700 tỷ USD), tốc độ tích lũy vốn này là điều không thể tưởng tượng được trong thời đại sản xuất chế tạo.

Ngoài bốn điểm thay đổi căn bản này, thời đại số còn bổ sung thêm hai yếu tố thúc đẩy:

• Vòng phản hồi được tăng tốc—các sản phẩm kỹ thuật số có thể thực hiện kiểm tra A/B theo thời gian thực, phản hồi được rút ngắn từ "năm" xuống "ngày hoặc thậm chí giờ", tốc độ học hỏi vì vậy được tăng tốc, thời gian tích lũy năng lực được thu hẹp đáng kể

• Cạnh tranh đồng bộ toàn cầu – ngành công nghiệp số từ đầu đã là thị trường toàn cầu, với nhiều người chơi hơn, cạnh tranh nhanh hơn và sự tái cơ cấu mạnh mẽ hơn.

Vấn đề then chốt: Những khác biệt này khiến thang thời gian của thời đại số bị nén lại so với thời đại sản xuất bao nhiêu lần?

So sánh tốc độ phát triển của sáu ngành công nghiệp trong thời đại số

Chúng ta hãy xem một vài ngành công nghiệp số đã hoàn thành quá trình chuyển đổi từ giai đoạn lưu động sang giai đoạn chuyển tiếp:

Điện thoại thông minh (2007–2012) —— iPhone ra mắt năm 2007, Android gia nhập năm 2008, đến khoảng năm 2010, mô hình thống trị song song của iOS và Android trở nên rõ ràng, và vào khoảng năm 2013, Nokia, BlackBerry, Windows Phone cơ bản rút khỏi thị trường chính. Từ giai đoạn lưu động sang giai đoạn chuyển tiếp được định hình: khoảng 5 năm.

Mạng xã hội (2004-2012) —— Facebook ra mắt năm 2004, từ 2004 đến 2008 có nhiều nền tảng cạnh tranh (MySpace, Facebook), khoảng năm 2010 Facebook xác lập vị thế thống trị toàn cầu. Từ giai đoạn lưu động sang giai đoạn chuyển tiếp ổn định: khoảng 6-8 năm.

Trình duyệt web (1994-2000) —— Năm 1994, Netscape ra mắt, năm 1995-1998 là cuộc chiến trình duyệt (Netscape vs IE), năm 1999-2000 IE thống trị thị trường. Từ giai đoạn lưu động sang giai đoạn chuyển tiếp được định hình: khoảng 5-6 năm.

Điện toán đám mây IaaS (2006-2015) —— AWS ra mắt năm 2006, giai đoạn 2010-2013 có nhiều đối thủ cạnh tranh, năm 2016-2018 hình thành thế thống trị của ba nhà cung cấp hàng đầu (AWS, Azure, GCP). Từ giai đoạn lưu động sang giai đoạn chuyển tiếp ổn định: khoảng 8-10 năm.

Ô tô điện (2010–?) —— Vào khoảng năm 2010, Tesla dẫn đầu, từ 2015 đến 2020 nhiều nhà sản xuất mới nổi lên, vào khoảng năm 2025 cấu trúc hàng đầu ban đầu hình thành nhưng vẫn đang trong giai đoạn chuyển tiếp. Dự kiến sẽ ổn định: khoảng 12–15 năm (liên quan đến sản xuất vật lý, chậm hơn một chút so với ngành công nghiệp thuần số—điều này cũng nhắc nhở chúng ta rằng, những phần liên quan đến hình thái vật lý trong AI, như cơ thể cơ khí/hardware của trí tuệ nhúng, sẽ chậm rõ rệt so với phần thuần số).

Định lượng hóa việc nén thang thời gian

Làm thế nào để suy ra hệ số nén khả thi từ dữ liệu thời gian ngành ở năm lĩnh vực trên? Tác giả đã thiết kế một phương pháp suy luận logic.

Bước 1 · Chọn ngành nền tảng

Ngành cơ sở phải đáp ứng ba điều kiện:

Cấu trúc đầy đủ: Đi qua giai đoạn lưu động → giai đoạn chuyển tiếp → giai đoạn chuyên biệt

Dữ liệu có thể tra cứu: doanh nghiệp gia nhập và rút lui, thiết lập thiết kế chủ đạo, tích hợp sâu có dữ liệu lịch sử có thể xác minh

Thời gian đủ dài: cung cấp thang thời gian gốc chưa bị nén.

Dữ liệu về ngành công nghiệp ô tô Mỹ từ năm 1895 đến 1966 được hệ thống Klepper theo dõi đáp ứng cả ba điểm này.

Tuy nhiên, vẫn cần đặt câu hỏi thêm: chu kỳ thời gian ngành công nghiệp bên trong sản xuất bản thân cũng không đồng đều (TV T1 khoảng 6-8 năm, ô tô T1 khoảng 15-20 năm, hai loại này đã gần như chênh lệch 2 lần), vậy tại sao lại lấy ô tô làm chuẩn đại diện cho "thời đại sản xuất"?

Điều này có thể được khám phá thông qua khung phân tích 5.1 — sáu yếu tố cấu trúc (phân phối vật lý, kinh tế quy mô, sự chấp nhận của người dùng, tiến hóa công nghệ, vòng phản hồi, cạnh tranh toàn cầu). Khung này không chỉ giải thích sự khác biệt giữa “sản xuất truyền thống” và “số hóa”, mà còn giải thích sự khác biệt trong nội bộ ngành sản xuất. TV (bắt đầu từ năm 1946) phát triển nhanh gấp 2-3 lần so với ô tô (bắt đầu từ năm 1895) về bản chất là do TV kế thừa các tài sản đã được tích lũy từ ngành công nghiệp thế hệ trước (phát thanh) trên sáu yếu tố này — mạng lưới phân phối, công nghệ sản xuất ống điện tử, nhận thức của người dùng và nền tảng công nghệ đều không cần phải xây dựng từ con số không.

Sự hiểu biết này tiết lộ một quy luật sâu sắc hơn: sự nén lại của thang thời gian không phải là kết quả của một bước nhảy duy nhất từ "công nghiệp chế tạo sang thời đại số", mà là một quá trình tăng tốc liên tục, tích lũy qua nhiều thế hệ và nhiều yếu tố. Lý do cốt lõi để chọn ô tô làm chuẩn không chỉ đơn thuần là ba điều kiện bề ngoài: "cấu trúc hoàn chỉnh + dữ liệu có thể tra cứu + phạm vi dài", mà vì ô tô là trường hợp hoàn chỉnh nhất của việc "xây dựng từ con số không": cả sáu yếu tố đều phải bắt đầu từ đầu, không có ngành công nghiệp tiền nhiệm nào có thể tiếp nhận, đại diện cho thang thời gian nguyên sinh chưa bị tăng tốc bởi tích lũy tiền nhiệm. Tỷ lệ nén thu được dựa trên chuẩn này có thể cho ta ước lượng gần đúng "giá trị tối đa của sự tăng tốc tích lũy trong thời đại số".

Bước thứ hai · Đối chiếu với năm ngành công nghiệp số

Dựa trên xe hơi T1 (15-20 năm):

Bước 3 · Phân loại AI bằng khung sáu yếu tố

Trở lại khung sáu yếu tố — mức độ được tích lũy tiền đề tăng tốc trên sáu yếu tố của một ngành công nghiệp trực tiếp quyết định hệ số nén của nó. Dựa trên logic này, hãy xem dữ liệu trong bảng:

Xe điện: Nén tối thiểu (1,3-1,5 lần), vì nó vẫn cần xây dựng độc lập ba chuỗi: sản xuất vật lý, chuỗi cung ứng và lặp lại phần cứng;

Các ngành thuần số như trình duyệt, điện toán đám mây: nén 2-3 lần, vì chúng kế thừa sự tích lũy từ thời kỳ PC và giai đoạn đầu của internet;

Hệ sinh thái ứng dụng điện thoại thông minh: mức độ nén lớn nhất (3-4 lần), vì nó xuất hiện sau khi cơ sở hạ tầng kỹ thuật số đã rất phát triển—hầu như tất cả các ràng buộc tiền đề trong sáu yếu tố đều đã được giải quyết.

Vậy, mô hình AI quy mô lớn và các ứng dụng của nó thuộc loại nào? Tác giả phân tích cho rằng:

Nó xuất hiện ở vị trí muộn nhất trong thời đại số—điện toán đám mây, internet, thiết bị di động, hệ sinh thái nhà phát triển và cơ sở hạ tầng dữ liệu đều đã đạt mức trưởng thành cao; đồng thời AI chính nó lại mang đến hai vòng lặp tự tăng tốc chưa từng có—hiệu ứng mạng và bánh xe dữ liệu (sử dụng nhiều hơn → dữ liệu nhiều hơn → mô hình mạnh hơn → càng nhiều người sử dụng).

Theo khung phân tích sáu yếu tố, hệ số nén của AI nên nằm trong khoảng 3-5 lần: mức tối thiểu 3 lần dựa trên các ngành đã được xác nhận là “tăng tốc giai đoạn cuối” trong bảng (như trình duyệt, hệ sinh thái ứng dụng điện thoại thông minh); mức tối đa 5 lần là ước tính ngoại suy sau khi xem xét hai vòng lặp tự tăng tốc độc đáo của AI — điều này chưa từng có tiền lệ trong lịch sử, thuộc phạm vi hợp lý nhưng vẫn cần được xác minh.

Tổng quan và ước tính tổng hợp giữa các thế hệ

Tổng kết từ phân tích trên, ta có thể rút ra một cái nhìn tổng quan đầy đủ về so sánh giữa các thế hệ:

Đánh giá tổng hợp: Từ thời kỳ sản xuất đến thời kỳ số hóa, quy mô thời gian của sự tiến hóa ngành công nghiệp đã được thu hẹp khoảng 3-5 lần; ước tính mức độ thu hẹp thực tế của các mô hình AI lớn và các ứng dụng của chúng nằm ở phần giữa đến trên của khoảng này.

[Cần nói rõ một cách trung thực]: Mẫu so sánh nêu trên chỉ bao gồm các ngành công nghiệp số đã hoàn thành việc xác định thiết kế chủ đạo, không bao gồm các ngành như VR/AR, metaverse, ứng dụng Web3/blockchain—những ngành vẫn chưa ổn định và đều vượt xa dự kiến nén 3-5 lần, hiện vẫn đang trong giai đoạn biến động. Nói cách khác, "nén 3-5 lần" giả định rằng AI sẽ đi theo "con đường của các ngành công nghiệp số đã ổn định". Nếu tiền đề con đường này thay đổi, thì mức nén 3-5 lần cần được điều chỉnh tương ứng.

Sau khi suy ra rằng thang thời gian đã được nén khoảng 3-5 lần, chúng ta có thể tiếp tục phân tích thời điểm cụ thể của các mô hình AI quy mô lớn và ứng dụng của chúng. Tuy nhiên, đây không phải là dự đoán chính xác, mà là ước tính hợp lý dựa trên so sánh lịch sử. Điều kiện tiên quyết để có thể đưa ra ước tính này là: các mô hình AI quy mô lớn sẽ đi theo quỹ đạo A (hình thành thiết kế thống trị), chứ không phải quỹ đạo B (đa dạng hóa vĩnh viễn).

Phán đoán tổng thể của tác giả là: Khả năng mô hình lớn AI đi theo quỹ đạo A cao đáng kể so với quỹ đạo B—nhưng hình thái không phải là “một xe T đơn lẻ”, mà là “thiết kế đa tầng theo kiểu chồng giao thức phân tầng”.

Ngoài việc trước đó ở mục 2.1.1 đã lập luận về điều này từ góc độ "yêu cầu kinh tế của ngành vận hành + giao thức phân tầng Internet", ba tín hiệu có thể quan sát được hiện tại cũng đang hỗ trợ mạnh mẽ cho phán đoán này:

• Bộ công cụ kỹ thuật đã gần như hội tụ — kiến trúc Transformer, tiền huấn luyện + huấn luyện sau (SFT + RLHF/DPO), tích hợp đa phương thức, gọi công cụ / chuyển thành Agent, gần như đều được tất cả các mô hình hàng đầu áp dụng. Đây là tình trạng bình thường trước thời kỳ thống trị thiết kế trong lịch sử.

• Các lớp con đang hình thành thiết kế chủ đạo riêng biệt—lớp đại lý lập trình đã hội tụ theo mô hình Claude Code / Cursor / Copilot / Windsurf; các sản phẩm bản địa đa phương thức hội tụ theo hướng “mô hình khuếch tán + độ trung thực chuỗi thời gian dài”; trong lớp Copilot doanh nghiệp, Microsoft 365 Copilot đã trở thành tiêu chuẩn thực tế. Không cần cả “AI toàn diện” cùng hội tụ, các lớp con đang tự hình thành các thiết kế chủ đạo nhỏ riêng biệt.

• Thiết kế chủ đạo ở tầng giao thức đã bắt đầu hình thành — MCP (do Anthropic đề xuất cuối năm 2024, được OpenAI / Google / Microsoft lần lượt tích hợp vào năm 2026), mạng A2A — thiết kế chủ đạo ở tầng giao thức thường bền vững hơn so với tầng sản phẩm (giống như TCP/IP bền vững hơn bất kỳ trình duyệt nào)

[Tuyên bố trung thực bắt buộc]: Khi hai tín hiệu ngược chiều được xác lập, hệ tọa độ thời gian trong bài viết này cần được hiệu chỉnh lại:

Tín hiệu ngược chiều thứ nhất: Công thức "càng lớn càng mạnh" có thể không còn hiệu lực. Trong năm năm qua, khả năng của AI chủ yếu được thúc đẩy bởi công thức thô ráp "mô hình lớn hơn + dữ liệu nhiều hơn + sức mạnh tính toán mạnh hơn" (Định luật quy mô - Scaling Law). Nếu đến năm 2027-2028 công thức này đạt đến giới hạn và không có đường thay thế mạnh mẽ trong ngắn hạn — ngành công nghiệp sẽ buộc phải tách ra thử nghiệm các hướng đi hoàn toàn khác như mô hình thế giới, Mamba, kiến trúc gốc Agent, và sự "hội tụ công nghệ" hiện tại có thể bị phá vỡ.

Tín hiệu ngược thứ hai: Từ "nhiều phe cùng song song" phát triển thành "thiết kế chủ đạo riêng biệt của từng phe". Sự song song hiện tại của nhiều phe bản thân là biểu hiện bình thường của "sự phân hóa năng lực" — rủi ro thực sự nằm ở việc sự phân hóa này trở nên sâu sắc đến mức "hoàn toàn không còn kết nối với nhau". Có hai lực lượng hướng tới xu hướng này: một là "bộ não" của trí tuệ nhúng (trong học thuật gọi là mô hình VLA) — do cần cảm nhận và xử lý phản hồi vật lý theo thời gian thực, kiến trúc nền tảng có thể phát triển theo con đường hoàn toàn khác với các mô hình ngôn ngữ lớn dùng để trò chuyện; hai là hai phe Trung-Mỹ tiếp tục kéo dài khoảng cách về kiến trúc, giao thức, hệ sinh thái và quản lý. Nếu từ "thiết kế chủ đạo thống nhất" chuyển thành "vài thiết kế chủ đạo riêng biệt của từng phe", thì mốc thời gian có thể thay đổi.

Ba mốc thời gian quan trọng (dự đoán)

Tiếp tục phân tích trước đó, nếu xác định điểm khởi đầu thương mại hóa mô hình lớn AI là năm 2020 với sự ra mắt của GPT-3 (đây là mốc thời gian được ngành công nghiệp công nhận rộng rãi: kiến trúc Transformer đã hoàn thiện, lần đầu tiên thể hiện khả năng nổi bật, lần đầu tiên hình thành API thương mại cấp doanh nghiệp), lấy mốc này làm điểm xuất phát và suy diễn về phía sau, tác giả đã vẽ sơ đồ thời gian từ năm 2020 đến năm 2035, chia làm bốn giai đoạn:

Mở rộng chi tiết theo sơ đồ tổng thể, đối với các nhà ra quyết định doanh nghiệp, có ba mốc thời gian then chốt cần được phân tích và quan tâm thêm (phạm vi phân tích: mô hình lớn AI và các ứng dụng của nó; các phần có hình thái vật lý độc lập hoặc logic ngành độc lập cần được đánh giá riêng theo tốc độ phát triển của từng phần).

Timeline 1: Dominant Design Emergence Window — Layered Emergence, Expected to Roll Out in Phases from 2026–2032

Tốc độ hội tụ của các lớp con khác nhau không đồng bộ và có sự khác biệt lớn. Dựa trên các tín hiệu có thể quan sát được hiện tại, có thể đưa ra ước tính theo từng cấp độ (không phải lịch trình chính xác):

• Xuất hiện sớm hơn (khoảng 2026-2028) —— Lớp giao thức (MCP / A2A / quy định gọi API) và lớp đại diện lập trình. Chi phí lặp lại của lớp giao thức tương đối thấp, sự đồng thuận giữa các nhà sản xuất hình thành nhanh chóng và đã có hình thái tiêu chuẩn thực tế; lớp đại diện lập trình đã xuất hiện sự hội tụ rõ ràng về hình thái sản phẩm (Claude Code / Cursor / Copilot / Windsurf / Tongyi Lingma v.v.

• Xu hướng nổi bật trong trung hạn (khoảng 2027-2029) —— Ba trục chính về hình thái sản phẩm: Trợ lý hội thoại phổ dụng, sản phẩm bản địa đa mô态 (đường đi mô hình khuếch tán + bảo toàn chuỗi thời gian dài), và trợ lý phụ tích hợp (hình thái hướng đến quy trình làm việc doanh nghiệp). Ba trục này đã xuất hiện tín hiệu hội tụ rõ rệt ở các sản phẩm dẫn đầu, mức độ thâm nhập của các sản phẩm hàng đầu trong khách hàng cũng đang tăng nhanh; tuy nhiên, cần thêm 2-3 năm để hoàn thiện hình thái cuối cùng.

• Xuất hiện muộn hơn (khoảng 2028-2030) —— lớp nền tảng Agent văn phòng / để bàn (đại diện bởi WorkBuddy, Coze, Bailing, v.v.). Chủ yếu được thúc đẩy bởi sự ràng buộc hệ sinh thái, nhanh chóng bắt kịp nhờ vị trí đầu vào, chuỗi hợp tác văn phòng và vị thế hệ sinh thái; tuy nhiên, việc triển khai sản xuất cấp doanh nghiệp vẫn đang ở giai đoạn đầu chuyển từ "nâng cao hiệu suất cá nhân" sang "nâng cao hiệu suất tổ chức", dự kiến sẽ hoàn toàn ổn định vào khoảng năm 2028-2030.

• Muộn nhất xuất hiện (2030-2032 và sau đó) —— lớp Agent tự chủ phổ quát (loại Manus, Operator), mô hình hợp tác đa Agent, đổi mới căn bản ở lớp kiến trúc, lớp “bộ não” trí tuệ nhúng (mô hình VLA). Agent tự chủ phổ quát và hợp tác đa Agent đối mặt với các vấn đề sâu sắc như độ tin cậy, cấu trúc chi phí, ranh giới trách nhiệm, giao thức liên lĩnh vực; tốc độ hội tụ rõ ràng chậm hơn so với lớp thuần số. Lớp kiến trúc hiện tại thể hiện sự “hội tụ bề mặt công cụ” (Transformer + MoE + sau huấn luyện + kiến trúc bộ nhớ), các đổi mới căn bản thực sự dự kiến sẽ xuất hiện sau năm 2030.

[Cần nói rõ một cách trung thực]: Các mức phân chia trên chỉ là ước tính hợp lý dựa trên tín hiệu hiện tại—đưa ra cảm nhận về thời gian, không phải lịch trình cụ thể. Trước năm 2030, kiến trúc, hình thái và các chiều cạnh cạnh tranh vẫn đang phát triển; sau năm 2030, luật chơi có thể bắt đầu được "phân tầng" và khởi động lại một lần nữa.

Timeline 2: Window closure · Expected 2026-2030 (Frontier Model Layer closes first)

Quan sát cốt lõi của Klepper là "cửa vào đóng lại sớm hơn tín hiệu xáo trộn" — tỷ lệ gia nhập ngành công nghiệp ô tô giảm vào năm 1910 so với xáo trộn xuất hiện vào năm 1920-1960, chậm trễ 10-15 năm. Theo tốc độ nén của thời đại số 3-5 lần, khoảng cách này tương ứng được nén xuống còn 2-5 năm — do đó, cửa vào đóng lại khoảng 2-5 năm trước khi xáo trộn sâu diễn ra, tức là vào năm 2026-2030.

Nhưng cần xem xét từng giai đoạn khác nhau của việc đóng:

• Lớp mô hình tiên tiến: Đóng cửa sớm nhất, việc gia nhập lớp mô hình tiên tiến như một người mới hoàn toàn sẽ trở nên rất khó khăn sau năm 2027-2028 — sự kết hợp của năng lực tính toán, nhân tài và niềm tin doanh nghiệp đang tiến gần đến giai đoạn kết thúc; từ năm 2026 có thể quan sát thấy vốn đầu tư mạo hiểm toàn cầu dành cho lớp mô hình tiên tiến đang tập trung vào một số ít nhà phát triển.

• Lớp giao thức và chuỗi công cụ: Đóng sớm hơn, khi các tiêu chuẩn giao thức như MCP/A2A trở thành tiêu chuẩn thống trị, những người tham gia sau cần kết nối vào hệ sinh thái thay vì xây dựng lại từ đầu

• Lớp ứng dụng và lớp hình thái sản phẩm: Tương đối lỏng lẻo; cửa sổ cho lớp đại lý lập trình đang đóng nhanh do sự tích hợp thương mại hóa nhanh chóng của các sản phẩm hàng đầu; tuy nhiên, vẫn còn không gian nhập cuộc tương đối dồi dào cho các sản phẩm bản địa đa mô态, đại lý văn phòng/máy tính để bàn, và cơ hội vẫn tồn tại đến năm 2028-2032.

• Lớp tích hợp ngành dọc: Mở cửa lâu dài, cửa sổ tích hợp AI với các ngành dọc như y tế / pháp lý / giáo dục có thể kéo dài đến sau năm 2035

Ý nghĩa cốt lõi: Các vị trí chiến lược khác nhau có mức độ khẩn cấp của cửa sổ nhập cuộc rõ rệt khác nhau – cửa sổ để đầu tư vào lớp mô hình tiên tiến là ngắn nhất, trong khi cửa sổ để làm ứng dụng và tích hợp theo chiều dọc tương đối rộng rãi.

Timeline 3: Deep reshuffling begins · Estimated 2030-2035 (primarily occurs at the frontier model layer)

Cơ chế tích lũy năng lực của Klepper hoạt động nhanh hơn trong thời đại số—8-10 năm có thể đạt được hiệu ứng tích lũy tương đương 30 năm trong thời đại sản xuất. Khoảng cách năng lực giữa các doanh nghiệp sẽ được khuếch đại theo cấp số nhân đến mức không thể đảo ngược trong khoảng thời gian này.

Tuy nhiên, cường độ của sự xáo trộn sâu được phân hóa theo từng lớp:

• Lớp mô hình tiên tiến nhất có sự xáo trộn sâu nhất: khả năng tổng hợp, rào cản về năng lực tính toán và vốn, sự tập trung niềm tin doanh nghiệp—có thể hội tụ về vài cái tên hàng đầu

• Sự xáo trộn ở tầng ứng dụng và tầng hình thái sản phẩm nhẹ hơn: mỗi tầng có thể giữ lại một vài người chơi chính, với nhiều đối tượng dài hơn

• Việc xáo trộn ở lớp giao thức gần như không xảy ra: một khi đã ổn định, tiêu chuẩn sẽ trở thành tiêu chuẩn

• Sự sắp xếp lại của lớp tích hợp ngành dọc được gắn với logic của ngành truyền thống: AI chỉ là một trong những biến số, nhịp độ sắp xếp lại của chính ngành sẽ chi phối

Tính cấp thiết của cửa sổ nhập cảnh doanh nghiệp

Khi xem ba đường thời gian này cùng nhau, một suy luận quan trọng:

Hầu hết các doanh nghiệp lấy mô hình AI quy mô lớn và các ứng dụng của nó làm trọng tâm chiến lược, thực tế chỉ có khoảng 2-4 năm để điều chỉnh chiến lược—cần hoàn thành việc xác định hướng đi và lựa chọn điểm tiếp cận trước năm 2028 để thiết lập vị thế của mình trước khi việc thiết kế chủ đạo (đặc biệt ở cấp độ hình thái sản phẩm) xuất hiện vào năm 2030; ngược lại, năm 2026-2027 chính là hai năm quan trọng nhất.

Tuy nhiên, đường thời gian này dựa trên một tiền đề: kinh tế quy mô và mô hình kinh doanh sẽ đạt bước đột phá quan trọng trước năm 2027-2030. Phần thứ bảy, kiểm chứng ngược, sẽ cho thấy "kinh tế quy mô và mô hình kinh doanh vẫn chưa hình thành" là một trong những quan sát chính xác nhất năm 2026. Nếu các thách thức về mô hình kinh doanh kéo dài sau năm 2028 mà vẫn chưa được giải quyết, cửa sổ xuất hiện thiết kế chủ đạo có thể bị lùi lại 2-3 năm—nghĩa là, các mốc thời gian trên phụ thuộc vào hai tiền đề: "AI đi theo quỹ đạo A + kinh tế quy mô vượt qua trong 3-4 năm", bất kỳ yếu tố nào thay đổi đều cần điều chỉnh lại các mốc thời gian.

Đối với các phần liên quan đến hình thái vật lý độc lập hoặc logic ngành độc lập (thiết bị phần cứng trí tuệ nhúng, AI + ngành dọc, v.v.), lịch trình cần được điều chỉnh theo nhịp độ riêng của từng phần—nhưng quy luật cơ bản “tốc độ tích lũy năng lực bị khuếch đại theo cấp số nhân” vẫn áp dụng cho tất cả các cấp độ.

Đây là "thang thời gian của sự tiến hóa ngành công nghiệp AI" — cung cấp một cảm nhận thời gian chính xác, phân tầng và có điều kiện dựa trên khung phân tích.

Một phân tích nghiêm túc phải chịu được sự kiểm tra từ dữ liệu mới nhất. Dựa trên các xu hướng quan sát được trong ngành AI năm 2026, tiến hành xác minh ngược lại các phán đoán trước đó về "vùng phân hóa" qua bốn khía cạnh: sản phẩm, doanh nghiệp, thương mại và thực địa — chỉ cần chọn sáu tín hiệu tiêu biểu nhất.

Xác minh một: Về mặt kiến trúc, nó vẫn đang được mở

Việc phát triển kiến trúc năm 2026 vẫn tiếp tục theo nhiều hướng khác nhau: dưới sự thống trị của Transformer, mô hình chuyên gia hỗn hợp (MoE) trong Gemini 3.1 Pro, DeepSeek Được áp dụng toàn diện trong các mô hình như V4; tính toán suy luận trở thành yếu tố cạnh tranh cốt lõi của các phiên bản mới như GPT, Claude; các mô hình không gian trạng thái (họ Mamba) và kiến trúc gốc Agent tiếp tục có những khám phá mới trong giai đoạn 2025-2026; hướng mô hình thế giới vẫn được các học giả hàng đầu như Fei-Fei Li, Yann LeCun thúc đẩy. Cửa sổ ngữ cảnh đang tiếp tục tăng nhanh từ hàng trăm nghìn đến mức 2 triệu Token; lợi ích biên của Scaling Law bắt đầu được thảo luận công khai vào năm 2026—điều này cho thấy con đường kỹ thuật vẫn đang được xem xét lại.

Kết luận: Về mặt kiến trúc, rõ ràng vẫn đang trong giai đoạn lưu động. Các yếu tố kỹ thuật khả thi trong thiết kế chính vẫn chưa được đáp ứng—đây chính là bằng chứng trực tiếp cho khía cạnh “các chiều sản phẩm vẫn còn mở” trong “vùng phân hóa”.

Xác minh thứ hai: Thực tế tại cấp doanh nghiệp đã bắt đầu phân hóa—nhưng cục diện là nhiều phe phái cùng song hành

Thực trạng của lớp mô hình tiên tiến năm 2026 là cấu trúc đa phe phái song song, không có người dẫn đầu tuyệt đối:

• Nhóm hàng đầu của Mỹ: OpenAI, Anthropic, Google là chủ đạo, đi kèm theo là Meta (chuỗi Llama), xAI, v.v.

• Nhóm các quốc gia mở cửa Trung Quốc: DeepSeek 、Qwen、 Kimi ZhiPu, Doubao Hỗn nguyên và các yếu tố khác tạo ra lợi thế cạnh tranh độc lập trên các khía cạnh như chi phí, mã nguồn mở, đa ngôn ngữ và các bối cảnh chuyên biệt

• Châu Âu/các nhóm khác: Mistral và các bên khác chiếm một vị trí trong hệ sinh thái mã nguồn mở

Đồng thời, các tín hiệu phân hóa có thể quan sát được rất rõ ràng — tỷ lệ lưu lượng người dùng của ChatGPT đã giảm đáng kể từ vị trí thống trị tuyệt đối trước đó, lượng sử dụng Gemini tăng theo cấp số nhân theo năm, Anthropic ghi nhận tốc độ tăng trưởng nhanh trong các bối cảnh doanh nghiệp và nhà phát triển, với ARR đã bước vào quy mô hàng chục tỷ USD và doanh thu quý đạt mức hàng tỷ USD.

Kết luận: Điều này hoàn toàn phù hợp với nhận định về “vùng phân hóa” — trên khía cạnh sản phẩm, vẫn tồn tại một cấu trúc mở với nhiều phe phái song song (kiến trúc chưa xác định, lộ trình chưa xác định), nhưng trên khía cạnh doanh nghiệp, sự khác biệt về năng lực giữa các công ty hàng đầu và không phải hàng đầu đã rõ ràng dần dần nới rộng ra. Cần lưu ý rằng, “phân hóa năng lực” không có nghĩa là “chỉ một vài công ty chiến thắng” — nó có thể là “nhiều phe phái cùng nhau tách biệt khoảng cách”.

Xác minh ba: Cơ cấu ngành đang chuyển dịch theo hướng "tập trung theo tầng + sắp xếp đa mô hình"

Lakhani dự đoán về "tập trung phân tầng" và "điều phối đa mô hình" sẽ được xác thực mạnh mẽ vào năm 2026:

• Lớp mô hình tiên tiến: Nhiều nhà sản xuất hàng đầu và nhiều phe phái cùng chiếm vị trí (xem 7.2)

• Lớp tích hợp doanh nghiệp: Microsoft (+OpenAI), Google Workspace AI, Salesforce Einstein... lần lượt triển khai

• Lớp sinh thái mở: DeepSeek (Chi phí suy luận thấp), Llama, Mistral lần lượt được neo giữ

• Lớp bổ sung chuyên biệt: NVIDIA (GPU), AMD/Intel, Cerebras/Groq (chip kiến trúc mới) lần lượt chiếm vị trí—rào cản gia nhập vào lớp này đang bị đẩy đến giới hạn bởi sự tập trung vốn được mô tả ở Mục 5.1

Đồng thời, việc sắp xếp nhiều mô hình đã từ “mô hình mới nổi” trở thành cách sử dụng phổ biến—người dùng không còn hỏi “mô hình nào mạnh nhất”, mà hỏi “mô hình nào mạnh nhất trong bối cảnh nào”: sử dụng Claude để viết và lập trình, sử dụng Gemini để tìm kiếm và phân tích, sử dụng ChatGPT để tạo hình ảnh và hội thoại chung, đã trở thành chuẩn mực.

Kết luận: Giả thuyết phân tầng tập trung và điều phối đa mô hình đều đúng—và sự tiến hóa của phân tầng tập trung diễn ra nhanh hơn dự kiến.

Xác minh bốn: Thang thời gian thực sự đang bị nén đáng kể

Bằng chứng chính về sự nén thang thời gian đến từ bốn đường cong: "tốc độ áp dụng, dòng vốn đầu tư, chi phí giảm dần, khả năng lặp lại cải tiến"

• Tốc độ tiếp nhận: ChatGPT đạt 100 triệu người dùng trong khoảng 2 tháng, là một trong những sản phẩm tiêu dùng được tiếp nhận nhanh nhất trong lịch sử

• Tốc độ dòng vốn vào: Anthropic chỉ mất khoảng 4 năm kể từ khi thành lập để đạt ARR ở mức hàng chục tỷ USD—thời kỳ sản xuất cần vài chục năm

• Tốc độ giảm chi phí: Giá token của các mô hình lớn phổ biến đã giảm khoảng hai cấp độ trong ba năm qua, giá suy luận của các mô hình mã nguồn mở hàng đầu và chi phí thấp đã bước vào mức "phân mỗi triệu token"

• Tốc độ cải tiến năng lực: Từ GPT-3 đến loạt GPT-5 chỉ trong chưa đầy 6 năm — trong thời đại sản xuất, chu kỳ cải tiến một thế hệ sản phẩm thường mất 5-10 năm

Kết luận: Việc nén thang thời gian không chỉ đúng, mà trên một số đường cong cụ thể (tiếp nhận, chi phí, lặp lại năng lực), mức độ nén thực tế có thể đạt 5-10 lần. Tuy nhiên, cần lưu ý—tốc độ nén của các đường cong cụ thể sẽ nhanh hơn tốc độ nén của toàn bộ ngành công nghiệp, vì sự phát triển toàn ngành còn bị ràng buộc bởi các yếu tố chậm như mô hình kinh doanh được xác thực, quy định được định hình và hệ sinh thái trưởng thành, vẫn duy trì ở mức trung vị 3-5 lần như đã phán đoán tại Mục 5.3. Nói cách khác, “phía tín hiệu” của sự phát triển ngành AI (các đường cong) đã rõ ràng gia tốc, trong khi “phía cấu trúc” (xác lập thiết kế chủ đạo) cần một giai đoạn lắng đọng dài hơn.

Xác minh năm: Kinh tế quy mô và mô hình kinh doanh ổn định vẫn chưa được hình thành

Trong năm yếu tố thúc đẩy được thiết kế dẫn đầu, "sự xuất hiện của kinh tế quy mô" là một điều kiện cần—chỉ khi chi phí giao hàng theo quy mô của một thiết kế đủ thấp, mô hình sinh lời ổn định rõ ràng và tạo được vòng lặp tích cực "đầu tư - đầu ra - đầu tư lại", thiết kế dẫn đầu mới có thể thực sự được củng cố. Áp dụng tiêu chuẩn này để xem xét các mô hình AI lớn và ứng dụng của chúng vào năm 2026, ta sẽ thấy kinh tế quy mô và mô hình kinh doanh vẫn chưa hình thành rõ ràng:

• Chi phí huấn luyện và suy luận vẫn đang biến động mạnh — giá Token đã giảm khoảng hai cấp độ trong ba năm qua, giá suy luận của các mô hình mã nguồn mở hàng đầu và chi phí thấp đã bước vào mức "phân mỗi triệu Token"; đường cong chi phí vẫn đang trượt nhanh, chưa thể nói là "ổn định"

• Các doanh nghiệp hàng đầu vẫn tiếp tục đầu tư quy mô lớn – các công ty mô hình tiên tiến như OpenAI và Anthropic đều đang ở giai đoạn đầu tư cao và huy động vốn cao; dù ARR của Anthropic đã bước vào mức hàng chục tỷ USD, nhưng so với chi phí đào tạo và đầu tư vào năng lực tính toán, công ty vẫn chưa thoát khỏi giai đoạn “đầu tư vượt xa lợi nhuận”.

• Lợi ích đầu tư (ROI) từ AI đối với doanh nghiệp thấp hơn kỳ vọng – phần lớn các dự án AI doanh nghiệp vẫn đang ở giai đoạn POC hoặc thử nghiệm; việc chuyển hóa AI thành sự gia tăng năng suất toàn yếu tố và lợi nhuận dương về ROI/ROE vẫn đang trong quá trình khám phá; theo các khảo sát ngành năm 2025-2026 từ McKinsey’s “State of AI” và MIT NANDA’s “GenAI Divide”, phần lớn đầu tư AI doanh nghiệp chưa ghi nhận lợi ích tài chính rõ ràng.

• Mô hình kinh doanh ổn định vẫn đang được khám phá — phí đăng ký, tính phí theo Token, tính phí theo kết quả của Agent, tùy chỉnh doanh nghiệp, chia sẻ doanh thu API, mã nguồn mở + dịch vụ… Mỗi mô hình kinh doanh đều có các đại diện, nhưng chưa mô hình nào đạt được trạng thái “lợi nhuận quy mô lớn + tăng trưởng lũy tiến”.

Kết luận: Vòng lặp tích cực "đầu tư - đầu ra - tái đầu tư" của các mô hình AI quy mô lớn và các ứng dụng của chúng chưa được thiết lập—đây chính là biểu hiện trực tiếp của việc các yếu tố dẫn đến "kinh tế quy mô" chưa được đáp ứng. Nếu cả kinh tế quy mô lẫn mô hình kinh doanh đều chưa ổn định, thì chắc chắn vẫn đang ở trong giai đoạn phân hóa, vì đây là điều kiện tiên quyết để tiến tới giai đoạn chuyên biệt.

Xác minh sáu: WAIC 2026 —— "Người càng xuất sắc, sự khác biệt càng lớn"

WAIC 2026 vừa kết thúc vào tháng 7 năm 2026 đã cung cấp một minh chứng thực tế từ góc độ "con người".

Bốn chủ đề前沿 của hội nghị (trí tuệ vật lý, trí tuệ khoa học, nền tảng tính toán, quản trị tác nhân) đồng thời được xem là hướng đi của “chặng đường tiếp theo” — hình thái đặc trưng của giai đoạn chuyển tiếp là sự tồn tại song song của nhiều nhánh, không có con đường đơn lẻ nào chiến thắng. Một tình huống rất đáng chú ý là nhà nhận giải Turing năm 2024, Richard Sutton, và Chủ tịch Jiepai Xingchen, Yin Qi, đã đưa ra hai phán đoán hoàn toàn trái ngược gần như cùng một thời điểm:

• Sutton: "AI vẫn còn yếu và không đáng tin cậy", "con đường chuyển giao tri thức con người" đã "đạt đến giới hạn", tương lai buộc phải bước vào "thời đại kinh nghiệm"

• Yin Qi: "Khả năng mô hình vào năm 2026 đang vượt qua ngưỡng quan trọng", "ngành đang đứng ở chân núi của đỉnh AGI", tác nhân sẽ trở thành "đơn vị năng suất nhỏ nhất"

Trong cùng một không gian, cùng một thời điểm, hai nhân vật极具代表性 đã đưa ra những câu trả lời gần như đối lập nhau cho câu hỏi “Chúng ta đang ở đâu?”. Đồng thời, Yoshua Bengio cảnh báo rằng “xã hội chưa sẵn sàng cho các hệ thống mạnh mẽ và độc lập hơn”, trong khi Hứa Lan từ Đại học Thanh Hoa và Mark Nitzberg từ Berkeley lần lượt đặt ra ranh giới về “phán xét giá trị” và “quyết định sinh tử” — các cơ quan quản lý và điều phối vẫn đang thảo luận về các nguyên tắc, chứ chưa phải các tiêu chuẩn thực thi.

Kết luận: Nếu AI thực sự đã bước vào "hiệp hai" hoặc "giai đoạn thực thi sau khi thiết kế chủ đạo được xác lập", thì các nhà nghiên cứu hàng đầu và doanh nhân hàng đầu sẽ không có sự khác biệt rõ rệt đến vậy về câu hỏi cơ bản nhất: "Chúng ta đang ở đâu?". Đây chính là bằng chứng thực tế mạnh mẽ cho thấy chúng ta vẫn đang ở trong "vùng phân hóa".

Xác minh tổng hợp: Đây chính là "vùng phân hóa"

Xem sáu nhóm xác minh trước đây cùng nhau—chúng không phải là sáu sự việc riêng lẻ, mà là sáu góc nhìn độc lập cùng xác nhận một kết luận duy nhất. Tóm lại:

Các mô hình lớn AI và ứng dụng của chúng hiện đang ở giai đoạn "phân hóa" — phân tầng sản phẩm vẫn còn mở, sự phân hóa năng lực đã bắt đầu, nhưng mô hình kinh doanh chưa được xác thực. Đây là kết quả được xác nhận ba lần qua phần thứ ba (đánh giá giai đoạn), phần thứ sáu (mốc thời gian) và phần này (xu hướng 2026), không phải suy luận từ một góc độ đơn lẻ.

Quay lại hai câu hỏi ban đầu—chúng ta đang ở đâu và nhịp độ tương lai sẽ như thế nào.

Sử dụng khung kết hợp của hai công cụ phân tích kinh điển, cộng với kiểm tra nghiêm ngặt năm yếu tố then chốt trong thiết kế chủ đạo, cùng với xác minh ngược lại các xu hướng mới nhất năm 2026, có thể đưa ra câu trả lời rõ ràng về các mô hình AI lớn và ứng dụng của chúng hiện nay.

Chúng ta đang ở đâu—các mô hình lớn AI và ứng dụng của chúng hiện đang ở vùng "phân hóa" chuyển từ giai đoạn lưu động cuối sang giai đoạn đầu. Các yếu tố hình thành thiết kế chủ đạo hiện mới chỉ đáp ứng được 1 (một phần), cấu trúc ngành có thể phát triển thành "tập trung theo tầng" thay vì "người chiến thắng duy nhất".

Tương lai sẽ diễn ra như thế nào — theo hệ tọa độ thời gian phân tầng, các thiết kế chủ đạo có thể xuất hiện ở nhiều lớp con vào khoảng năm 2027-2030, sự tái cấu trúc sâu sắc sẽ thể hiện rõ vào năm 2030-2035, thời gian còn lại cho doanh nghiệp điều chỉnh chiến lược vào khoảng 2-4 năm.

Phân tầng có nghĩa là: mức độ cấp bách tại các vị trí chiến lược khác nhau (lớp mô hình tiên tiến / lớp ứng dụng / lớp tích hợp theo chiều dọc) không giống nhau, nhưng quy luật cơ bản “tích lũy chênh lệch năng lực” vẫn áp dụng cho tất cả các lớp. Đây là cảm nhận thời gian mang tính phân tầng và có điều kiện, chứ không phải lịch trình chính xác — nhịp độ phát triển cụ thể sẽ được điều chỉnh dựa trên các điều kiện tiên quyết như Luật Scaling và xu hướng phân chia phe phái.

Đối với các nhà ra quyết định doanh nghiệp, hai phán đoán này kết hợp lại tạo thành một trục thời gian. Trên trục này, còn tồn tại một câu hỏi cơ bản hơn cần được trả lời: Trong giai đoạn và khung thời gian như vậy, doanh nghiệp nên suy nghĩ, hành động và tự điều chỉnh như thế nào?

Vấn đề này sẽ được tác giả thảo luận trong bài viết tiếp theo…

Bài viết này đến từ tài khoản chính thức WeChat “Viện Nghiên cứu Tencent” (ID: cyberlawrc), tác giả: Lý Hồng Thắng