Ngày 2 tháng 8 năm 2026, Andrej Karpathy chia sẻ trên X: Ông đã gửi đoạn mở đầu đầu tiên của The Lord of the Rings cho Claude Opus 5, với ngân sách khoảng 1 triệu Token, tương đương 10 USD, để nó tạo ra một thế giới 3D bằng Three.js.

Tác giả bài viết, nguồn: 0x9999in1, ME News

Tóm tắt ngắn

Ngày 2 tháng 8 năm 2026, Andrej Karpathy chia sẻ trên X: Ông đã gửi đoạn mở đầu đầu tiên của The Lord of the Rings cho Claude Opus 5, với ngân sách khoảng 1 triệu Token, tương đương 10 USD, để nó tạo ra một thế giới 3D bằng Three.js.
Opus 5 đã chạy khoảng 2 giờ, viết khoảng 5.500 dòng mã, tạo ra một đoạn video hoạt hình dài 93 giây. Hình ảnh thô sơ, nhưng thực sự đã biến văn bản thành cảnh ba chiều có thể chuyển động.
Điều quan trọng không phải là "AI đã dùng 10 USD để tạo ra một trò chơi hoàn chỉnh" — nó chưa làm được. Chỉ có video được công khai, không có kho mã nguồn mở hay phiên bản có thể chơi được.
Âm thanh không được tạo bởi mô hình. Karpathy cho biết đoạn bình luận được anh ấy tạo thủ công bằng ElevenLabs vì anh ấy quan tâm đến việc sử dụng giọng nào.
Tín hiệu thực sự là: "chi phí sản xuất" của phần mềm trực quan được tùy chỉnh đang giảm nhanh hơn khả năng của AI trong việc kiểm tra và trải nghiệm chính tác phẩm của mình.
Opus 5 không thể xem video bản địa một cách hiệu quả hoặc thử chơi game, chỉ có thể chụp ảnh chậm ở các nút khác nhau để kiểm tra, trong quá trình này xảy ra nhiều lỗi.
Karpathy nói về "GTA xuất hiện theo yêu cầu" là một hướng đi, không phải hiện trạng. Thứ này ngày nay, gần giống một hộp phối cảnh ba chiều tự động tạo ra trên trình duyệt.

Một đoạn văn, hai giờ, 5500 dòng mã

Hãy làm rõ vấn đề trước đã.

Vào ngày 2 tháng 8 năm 2026, Andrej Karpathy đã đăng một bài viết. Anh ấy thực hiện một thí nghiệm: lấy đoạn văn mở đầu của "Chúa tể những chiếc nhẫn", đưa cho Claude Opus 5. Ngân sách được cấp 1 triệu Token, anh ước tính khoảng 10 USD. Yêu cầu duy nhất là—hiển thị nó bằng Three.js.

Then what?

Mô hình tự chạy trong khoảng hai giờ. Viết khoảng 5.500 dòng mã. Cuối cùng tạo ra một đoạn video dài 93 giây, với cảnh quay xuyên qua một thế giới Trung Địa được phong cách hóa và chuyển động.

Karpathy tự đánh giá thế nào? Hai từ: janky but fun. Thô sơ, nhưng thú vị.

Điều này nói rất thành thật. Vì để thực hiện được việc này, mô hình phải làm rất nhiều công việc vất vả: sắp xếp từng đa giác vào tọa độ ba chiều (x, y, z), định vị chúng, viết mã để làm cho toàn bộ cảnh trở nên sống động, đồng thời đảm bảo mọi thứ này chạy mượt mà mà không bị sập.

Một đoạn văn xuôi, không có cảnh quay, không có thư viện tài sản, không có chỉ dẫn rõ ràng. Nhân vật, bối cảnh, trình tự, không khí, góc máy, nhịp điệu—tất cả đều do mô hình tự tưởng tượng ra. Nó thật sự đã ghép được chúng lại.

Đây chính là điểm khiến người ta phải giật mình.

Hãy bình tĩnh trước: điều gì đã được thực hiện, điều gì chưa

Trước khi hào hứng, hãy phân biệt rõ ba điều: điều gì thực sự do mô hình tạo ra, điều gì do con người bổ sung, và điều gì hoàn toàn chưa xảy ra.

Đó là 5500 dòng mã do mô hình tạo ra, là cảnh Three.js được tạo tự động, là đoạn phim hoạt hình có thể phát trong 93 giây. Phần này là thật, đáng tin cậy và xứng đáng được xem kỹ lưỡng.

Còn phần giọng nói thì sao? Karpathy đã làm rõ trong phần trả lời: phần bình luận do anh ấy tự tạo thủ công bằng ElevenLabs. Anh ấy nói rằng LLM thực tế có thể gọi API để tự động hoàn thành, nhưng anh ấy quan tâm đến việc dùng giọng nào, nên đã tự tay thực hiện. Vì vậy, đây không phải là một quy trình tự động hoàn toàn từ văn bản đến sản phẩm hoàn chỉnh. Đừng nói nó như vậy.

Điều gì đã không xảy ra?

Không có kho mã có thể tải về. Không có kho nguồn mở. Không có phiên bản có thể chơi được mà bạn có thể vào làm người quan sát, làm NPC, hay làm nhân vật chính. Không có khả năng tạo ra thế giới mới theo thời gian thực trong khi chơi. Không có một “mô hình thế giới” tổng quát và học được. Cũng không có tính tương tác, va chạm và tính nhất quán về cốt truyện ở cấp độ sản xuất. Thậm chí còn không công khai một danh sách chi tiết về tiêu thụ và chi phí Token có thể tái tạo được.

Công khai, đó là một đoạn video.

Vì vậy, câu được trích dẫn liên tục “GTA xuất hiện theo yêu cầu” — một GTA nhất thời của X theo yêu cầu — là hướng đi mà Karpathy cảm thấy hào hứng, chứ không phải thứ anh ấy đang sở hữu hiện tại. Sản phẩm ngày hôm nay trông giống như một hộp phối cảnh trình duyệt tự động, còn cách xa một trò chơi thế giới mở đến muôn vàn dặm.

Tại sao tôi phải tốn nhiều chữ để nói về "nó đã không làm được gì"?

Vì trong quá trình lan truyền bản demo game Opus 5, sự bóp méo lớn nhất xảy ra ở cấp độ này. Có người thấy "10 USD để tạo game The Lord of the Rings" thì chia sẻ, nhưng lại bỏ qua những dòng chữ nhỏ: "video, chưa hoàn thiện, âm thanh do con người tạo, không dùng mã". Quan điểm phải dựa trên sự thật, và ranh giới của sự thật cần được làm rõ trước.

Tại sao điều này lại đáng được quan tâm nghiêm túc hơn so với "bồ nông đạp xe"?

Thí nghiệm của Karpathy, ý nghĩa thực sự không nằm ở việc "khoe kỹ thuật", mà ở việc "dùng một cây thước khác".

Trước đây, mọi người thường kiểm tra khả năng mã hóa hình ảnh của mô hình lớn bằng cách yêu cầu nó vẽ một SVG của “chim bồ nông đạp xe”. Bài kiểm tra này có ích – giúp đánh giá khả năng suy luận không gian, tuân thủ lệnh và hiểu biết về đồ họa trình duyệt. Nhưng nó quá dễ bị “học thuộc đáp án” và quá dễ để đưa ra phán đoán dựa trên chỉ một khung hình.

Nhiệm vụ "The Lord of the Rings" đã kéo dài đáng kể các tiêu chí đánh giá.

Thời gian: kéo dài từ vài phút lên khoảng hai giờ. Quy mô mã: tăng từ vài chục đến vài trăm dòng lên khoảng 5.500 dòng. Mức độ mơ hồ: từ "một vật thể cộng bố cục" trở thành phải xử lý đầy đủ "nhân vật, bối cảnh, trình tự thời gian, không khí, góc máy, nhịp điệu". Trạng thái: từ tĩnh cơ bản trở thành các sự kiện hoạt hình thay đổi theo thời gian. Tài nguyên: từ vài hình dạng đơn giản trở thành nhiều đối tượng được tạo tự động và có thể tái sử dụng.

Điều quan trọng nhất là chiều kích xác minh. Vẽ một SVG, bạn chỉ cần xem một khung hình là biết có đúng không. Nhưng khi render một thế giới chuyển động, bạn phải kiểm tra vô số thời điểm, vô số cảnh chuyển tiếp—hình học, góc máy, che khuất, chuyển động, nhịp điệu, hiệu năng, bất kỳ chi tiết nào cũng có thể sụp đổ.

Đây mới là nhiệm vụ thật sự với chu kỳ dài, độ mơ hồ cao và trạng thái mạnh. Nó tiếp cận chính bản chất của việc "xây phần mềm", chứ không phải chỉ "vẽ một bức tranh".

Tất nhiên, cũng cần nói một cách khách quan: đây không phải là một bài kiểm tra hiệu năng mô hình nghiêm ngặt. Karpathy chưa công bố Prompt đầy đủ, chưa công bố cấu hình công cụ, số lần thử lại, quỹ đạo Token, mã nguồn và tiêu chí đánh giá. Đây là một thí nghiệm công khai mang tính thông tin, không phải so sánh ngang hàng có kiểm soát. Đừng dùng nó để xếp hạng.

Rẻ là "sản xuất", đắt vẫn là "mắt"

What is the real insight behind this?

Tôi nghĩ chỉ cần một câu: Chi phí sản xuất phần mềm tạo hình tùy chỉnh đang giảm nhanh hơn khả năng của AI trong việc kiểm tra và trải nghiệm tác phẩm của chính nó.

Câu này cần được giải thích rõ ràng.

Loại nội dung được tùy chỉnh cao này—biến một đoạn văn bản cụ thể thành một cảnh 3D độc quyền—trước đây gần như không ai sẵn sàng làm riêng lẻ. Tại sao? Chi phí và thời gian không đáng để đầu tư. Bạn thuê một đội ngũ để tạo thành một đoạn phim hoạt hình 93 giây mở đầu của “Chúa tể những chiếc nhẫn”, sẽ tốn bao nhiêu tiền và bao nhiêu ngày?

Nhưng LLM có thể tiếp tục làm việc không ngừng. Nó không mệt, không phàn nàn, chỉ với 10 USD có thể chạy trong hai giờ. Thế giới được tùy chỉnh đã từ “hàng cao cấp” trở thành “thứ có thể tạo ra ngay lập tức”. Đây là một cuộc giảm giá thực sự do sự sụp đổ ở phía cung.

Nhưng vấn đề nằm ở đầu kia.

Opus 5 có thể tạo ra thế giới, nhưng lại không thể xem một cách trơn tru thế giới mà chính nó tạo ra. Nó không thể xem video một cách hiệu quả và bản địa, cũng không thể vào game để thử nghiệm. Nó chỉ có thể chụp ảnh từng khung hình chậm chạp tại các nút khác nhau, kiểm tra từng tấm một. Điều này giống như một họa sĩ bị bịt mắt vẽ tranh, chỉ được phép mở mắt nhìn lướt qua bức tranh sau mỗi vài phút. Trong quá trình này, nhiều lỗi xảy ra, để lại không ít chỗ thô ráp và lỗi—chính vì vậy mà từ “janky” ra đời.

Sản xuất là trào dâng, kiểm tra là rò rỉ.

Đây chính là sự đối chiếu sắc sảo nhất trong bài đăng của Karpathy: nó đã có thể tạo ra một thế giới, nhưng vẫn chưa thể kiểm tra và trải nghiệm một cách trơn tru thế giới mà nó đã tạo ra.

Mắt, đã trở thành điểm nghẽn mới.

Đây không phải là trường hợp đơn lẻ: cả một mùa hè với "tạo trò chơi trong một câu"

Một số người sẽ hỏi: Liệu đây có chỉ là một màn trình diễn may mắn?

Không giống lắm. Khi mở rộng thời gian, từ tháng 7 năm 2026, một loạt các bản demo cùng loại xung quanh Opus 5 đã xuất hiện và trở nên nổi bật suốt cả mùa hè.

Một người đã dùng nó để tạo một trò chơi chiến lược thời gian thực phong cách Homeworld và công khai danh sách chi phí—632,65 USD. Một người khác đã tạo bản sao phong cách Rocket League, và bản này thực tế hơn, mã nguồn có thể kiểm tra, phiên bản có thể chơi, tính tái tạo cao hơn. Ngoài ra còn có FPS trong trình duyệt, khám phá sa mạc được tạo sinh, trò chơi kinh dị, đua kart...

Bạn có nhận ra quy luật không?

Chất lượng của các bản demo này không đồng đều và khả năng tái tạo khác nhau rất nhiều. Có cái chỉ có video mà không có mã nguồn, có cái còn đăng luôn hóa đơn. Nhưng chúng đều chỉ ra một xu hướng chung: sử dụng một đoạn Prompt bằng ngôn ngữ tự nhiên để điều khiển mô hình tự chủ viết hàng nghìn, hàng vạn dòng mã trong thời gian dài, tạo ra một thế giới tương tác có thể chạy được — việc này đã từ “không thể tưởng tượng” trở thành “mỗi tuần đều có người thử”.

The Lord of the Rings của Karpathy không phải là một kỳ tích xuất hiện một cách đột ngột. Đó là một điểm trên đường cong này. Một điểm tình cờ được một người có ảnh hưởng kể lại một cách rõ ràng, với một văn bản đủ lãng mạn.

Vậy thì, "thời đại AI tạo game" đã đến chưa?

Quay lại câu hỏi bạn muốn hỏi nhất.

Đã đến chưa?

Phán đoán của tôi là: Hướng đã được xác định, nhưng thời đại vẫn chưa đến.

Việc xác định hướng đi là do đường chi phí phía cung đã quay đầu giảm mạnh. Về mặt kỹ thuật, việc sử dụng AI để tạo nội dung tương tác tùy chỉnh trong dài hạn đã hoàn thành bước từ 0 đến 1. Bước còn lại là từ 1 đến khi có thể sử dụng, chơi và bán được.

Nói thời đại chưa đến, vì ba chướng ngại vật vẫn còn đó một cách thực tế.

Đầu tiên là vòng lặp cảm biến. Mô hình phải có khả năng tự nhiên nhìn, tự nhiên chơi và tự nhiên đánh giá đầu ra của chính nó, chứ không cần con người phải chụp màn hình, lồng tiếng hay dọn dẹp sau cho nó. Đây là phần khó nhất trong khả năng đa phương thức—không phải là "hiểu một bức ảnh", mà là "hiểu một quá trình động có tương tác và thay đổi theo thời gian".

Bước thứ hai là khả năng tái tạo và khả năng giao giao. Video không phải là phần mềm. Demo không phải là sản phẩm. Một đoạn clip 93 giây ấn tượng và một thứ mà người khác có thể tải về, chạy được, sửa đổi và chơi trong một giờ, giữa chúng là toàn bộ công việc vất vả của quá trình kỹ thuật hóa.

Điều thứ ba là trọng lượng của từ “tính thời gian thực”. Karpathy hình dung ra cảnh bạn bước vào một thế giới được tạo ra tạm thời, đóng vai nhân vật, người quan sát, hay NPC—giống như một phiên bản GTA được tạo ra theo yêu cầu. Nhưng hiện tại, bạn phải chạy offline hai giờ mới có được một đoạn video. Từ “hai giờ mới có video” đến “tạo ra con đường dưới chân bạn ngay lập tức”—đây không phải là sự thay đổi về lượng, mà là sự thay đổi về chất.

Vì vậy, tôi không thích cách nói "thời đại đã đến". Quá đầy.

Tôi muốn nói thế này: Chúng ta đang rời xa thời kỳ “bồ nông đạp xe” và bước vào một giai đoạn chuyển tiếp, nơi các mô hình có thể tạo ra những thế giới thô ráp nhưng vẫn chưa rõ mình đã tạo ra gì.

Thời kỳ chuyển tiếp sẽ kéo dài bao lâu? Không ai biết. Có thể hai năm, có thể năm năm. Tùy thuộc vào khi nào “con mắt” đó — khả năng nhận thức và tự đánh giá bản thân của AI nguyên sinh — được hoàn thiện.

Nhưng có một điểm tôi khá chắc chắn.

Khi tạo ra một thế giới chỉ cần 10 đô la và hai giờ, điều khan hiếm không còn là "tạo ra". Điều khan hiếm là "hiểu rõ bạn đã tạo ra gì" và "bạn thực sự muốn tạo ra gì". Máy móc đảm nhiệm phần "tạo ra" trong câu sau, còn phần "muốn" và "hiểu rõ" trong câu đầu, hiện tại vẫn phải do con người thực hiện.

Đất trung thổ thô sơ đã có thể chạy được rồi.

Về việc khi nào bạn thực sự có thể bước vào — đừng vội, hãy từ từ. Việc này đáng để chờ đợi.

Source reference

Bài đăng và video gốc của Andrej Karpathy trên X (trước đây là Twitter) vào ngày 2 tháng 8 năm 2026
Anthropic công bố chính thức về《Claude Opus 5》, anthropic.com
Trang web chính thức của Three.js, threejs.org
explainx.ai: "Karpathy's $10 Opus 5 Lord of the Rings World: The New AI Eval", ngày 2 tháng 8 năm 2026
Benzinga: Andrej Karpathy cho rằng AI đã vượt qua các lời nhắc đơn giản sau khi Claude Opus xây dựng thế giới 3D 'Chúa tể những chiếc nhẫn', tháng 8 năm 2026
Enterprise DNA: 《Andrej Karpathy's next-gen benchmark moment》，ngày 2 tháng 8 năm 2026
explainx.ai: “Opus 5 đã xây dựng một trò chơi chiến lược không gian phong cách Homeworld chỉ từ một lệnh nhắc — sau khi chi 632,65 đô la”, ngày 28 tháng 7 năm 2026
explainx.ai: "Top 10 Claude Opus 5 Game Prompts (With the Actual Prompts)", ngày 29 tháng 7 năm 2026