Công ty khởi nghiệp AI ở Thung lũng Silicon thay đổi khi các mô hình chi tiêu và quản lý token phát triển

Kỹ sư AI tại Thung lũng Silicon, Mã Bội Nguyên, dựa trên hơn bốn năm quan sát ngành, đưa ra mười thay đổi nổi bật hiện nay: tuyển dụng nhân tài đang chuyển từ chuyên gia sang đa năng, khả năng sử dụng công cụ AI có thể vượt qua giới hạn về thâm niên; cơ cấu tổ chức ngày càng phẳng, nhà quản lý cần đồng thời có năng lực kỹ thuật, vai trò people manager đang dần biến mất; việc sử dụng token đang chuyển từ việc theo đuổi số lượng mù quáng sang tập trung vào hiệu quả, các công ty lớn bắt đầu tính toán lại; sự sùng bái mô hình đã bị bác bỏ, Thung lũng Silicon đang phổ biến xu hướng kết hợp điều phối nhiều mô hình giá rẻ và tiên tiến; cơ sở hạ tầng AI mới đang xuất hiện, các AI agent chuyên biệt vẫn giữ giá trị đầu tư vì có thể giải quyết những vấn đề thực tế “không thể huấn luyện”. Mã Bội Nguyên nhấn mạnh, trong lĩnh vực AI, một năm là một chu kỳ rất dài, hầu hết các phán đoán đều có thể bị bác bỏ chỉ trong một tháng.

Tác giả bài viết, nguồn: 36kr

Tất cả các đồng thuận đều sắp hết hạn

Mọi người đều đang cố gắng đưa ra phán đoán về AI, nhưng mọi sự đồng thuận đều nhanh chóng trở nên lỗi thời.

Phỏng vấn | Ba Rui, Gió Biển

Bài viết | Hải Phong, Lưu Tư Kiệt

Biên tập | Lưu Tư Kiệt

Nguồn ảnh bìa | Được người được phỏng vấn chụp

Giai đoạn phát triển hoang dã đã qua đi.

Đây là cảm nhận sâu sắc nhất mà Ma Peiyuan, người đang ở tuyến đầu khởi nghiệp AI tại Thung lũng Silicon, đã có gần đây.

Tháng 12 năm 2021, sau khi tốt nghiệp đại học, anh gia nhập Quora, được mệnh danh là "Phiên bản Mỹ của Zhihu", sau đó chuyển sang nền tảng tổng hợp chatbot AI Poe với vai trò Kỹ sư AI cấp cao. Cách đây 2 tháng, anh lại gia nhập Cognition, công ty khởi nghiệp AI Agent nóng nhất tại Thung lũng Silicon.

Tháng 5 năm 2026, công ty này, mới thành lập chưa đầy ba năm, thông báo đã huy động được hơn 1 tỷ USD, định giá tăng lên 26 tỷ USD. Tám tháng trước, định giá của nó là 10,2 tỷ USD.

Ngoài vai trò kỹ sư, Ma Peiyuan còn có một danh tính khác – nhà tìm kiếm đầu tư (Venture Scout). Anh ấy tìm kiếm các dự án khởi nghiệp AI đáng để đầu tư cho các tổ chức đầu tư, với hạn mức đầu tư hàng năm là 500.000 USD.

Trong bốn năm rưỡi sau khi tốt nghiệp, anh ấy dường như luôn hành động nhanh hơn sự đồng thuận của ngành AI; trước khi từ “agent” được bất kỳ ai định nghĩa rõ ràng, đội ngũ của anh ấy đã âm thầm khởi động dự án. Khi Anthropic vẫn còn là cái tên vô danh, họ đã trở thành người dùng sâu sắc đầu tiên của Claude. Anh là kỹ sư AI đầu tiên trong đội, rồi trở thành kỹ sư AI agent đầu tiên, sau đó biến toàn bộ đội kỹ thuật thành một đội AI Native sử dụng AI để lập trình.

Sự đi trước về nhận thức và hành động này được minh chứng một cách thú vị nhất cách đây hai tuần, khi anh ấy vô tình nói ra “người quản lý con người đang biến mất” trong cuộc trò chuyện với “Phòng thí nghiệm Nhân loại Tương lai”, và không lâu sau, tin tức từ Tencent và ByteDance công bố việc bãi bỏ các vị trí trung gian đã xác nhận điều đó.

Sự thay đổi diễn ra quá nhanh, tại Thung lũng Silicon, bạn phải luôn sống chung với sự thay đổi.

Trong khoảng thời gian hai tuần giữa hai cuộc phỏng vấn trong bài viết này, Ma Peiyuan nhận ra rằng lập luận trước đây của anh ấy về việc Thung lũng Silicon theo đuổi các mô hình đắt nhất và tiên tiến nhất đã bắt đầu không còn vững chắc. Phương pháp đang thịnh hành tại Thung lũng Silicon hiện nay là kết hợp và điều phối linh hoạt nhiều mô hình giá rẻ với các mô hình hàng đầu.

Tôi đã nói chuyện với Mã Bội Nguyên gần 5 giờ, và chúng tôi nhận ra rằng anh ấy gần như liên tục phủ nhận chính mình từ hôm qua,硅谷 cũng vậy. “Tôi không thể nói hết tất cả, nhưng bạn có thể nói hơn 60%, một tháng sau có thể lại ngược lại.”

Trong vài năm qua, AI gần như đã viết lại tất cả các quy tắc mặc định của Thung lũng Silicon: ai dễ nổi bật hơn, tổ chức nào có lợi thế cạnh tranh hơn, và đồng tiền nào chi tiêu xứng đáng.

Tất nhiên, những phán đoán về những “đáp án đúng đắn” này cũng đang nhanh chóng trở nên lỗi thời. Trong lĩnh vực AI, một năm đã là một chu kỳ rất dài, nhiều phán đoán có thể bị đảo ngược chỉ trong một tháng.

Dưới đây là 10 quan sát về AI tại Thung lũng Silicon mà Ma Peiyuan cho là rất hiện tại:

Ma Peiyuan

Hình ảnh nghề nghiệp của Mã Bội Nguyên hoàn toàn phù hợp với mẫu nhân tài mà các công ty AI ở Thung lũng Silicon yêu thích nhất. Anh không có nền tảng máy tính truyền thống, không giành huy chương vàng trong các cuộc thi, không có ánh hào quang từ các trường đại học hàng đầu, thậm chí từng hoàn toàn không quan tâm đến máy tính. Nhưng trong bốn năm qua, anh đã từ nhóm quảng cáo của Quora tiến lên vị trí kỹ sư AI tại Cognition, với hành trình sự nghiệp chạm đúng vào mọi từ khóa mà các công ty AI ở Thung lũng Silicon đang tìm kiếm hiện nay. Kinh nghiệm của anh không chỉ là một câu chuyện phát triển cá nhân, mà còn là một minh chứng cho sự thay đổi trong tiêu chuẩn tuyển dụng của ngành.

Quan sát 1: Người đa năng áp đảo người chuyên sâu

Hình ảnh nhân tài được săn đón nhất tại Thung lũng Silicon hiện nay không phải là chuyên gia am hiểu sâu nhất trong một lĩnh vực, mà là những người “đều khá ổn, không có điểm yếu rõ rệt” — ngành gọi đây là polyglot talent, hay nói cách khác là “chiến binh sáu cạnh”.

Năm 2024, Poe đã khởi động một dự án “agent” bên trong, lúc đó chưa ai có thể định nghĩa rõ ràng, và nhóm đã chọn tôi – một người mới – với lý do rất trực tiếp: “Từng làm AI, đồng thời cũng từng làm full-stack và iOS”. Lúc đó, phần lớn các thành viên khác trong nhóm đều có nền tảng truyền thống về machine learning, search, advertising và recommendation; họ không hiểu mã frontend, trong khi agent lại cần người có thể viết giao diện frontend. Sau khi người phụ trách engineering prompt AI của công ty nghỉ việc, không còn ai trong nhóm có thể lấp đầy khoảng trống này, nên tốt nhất là tôi – người học nhanh – sẽ đảm nhận luôn cả prompt engineering cho agent lẫn việc viết mã frontend cho nó.

Bộ kỹ năng “biết chút ít về mọi thứ” này sau này đã trở thành tài sản quý giá nhất của tôi khi đi tìm việc. Bạn chỉ cần đưa cho tôi một lĩnh vực mới nào đó, tôi có thể học gần như thành thạo trong vòng hai tuần. Và chính điều này là những gì các công ty khởi nghiệp giai đoạn đầu cần.

Quan sát 2: Kỹ năng bản địa AI có thể áp đảo kinh nghiệm làm việc trong thời gian ngắn

Khả năng sử dụng công cụ AI có thể áp đảo hoàn toàn những kinh nghiệm được tích lũy theo năm tháng theo nghĩa truyền thống.

Khi tôi chuyển từ nhóm quảng cáo Quora sang nhóm iOS, lý do tôi đưa ra là “muốn thoát khỏi vùng an toàn”, nhưng lúc đó tôi hoàn toàn không biết gì về iOS, là người “không có kinh nghiệm gì cả”. Thay vì từ từ học bổ sung, tôi đã biến GPT-4 thành đối tác của mình. Lúc đó, những người xung quanh tôi đều là các kỹ sư iOS rất giàu kinh nghiệm, có thể họ không tin vào AI. Tôi không biết viết iOS, không biết viết mã Swift, nên tôi đã liên tục nhờ AI viết code giúp tôi.

Kết quả là, một người mới vào nghề chỉ mới ba bốn tháng như tôi đã đạt được tốc độ tạo ra sản phẩm ngang bằng và thậm chí còn vượt cả những kỹ sư kỳ cựu xung quanh, chỉ trong hai năm đã đạt đến vị trí cấp cao. Điều này gần như là tốc độ không thể xảy ra trong hệ thống thăng tiến truyền thống. Trước đây, tại Facebook, bạn có thể cần ít nhất 4 đến 6 năm mới trở thành kỹ sư cấp cao. Một số người tại Google có thể suốt đời không bao giờ được thăng cấp lên vị trí kỹ sư cấp cao.

Tôi từng gặp một người phỏng vấn 19 tuổi tại Cognition. Ban đầu tôi hơi nản lòng vì một người 26 tuổi lại bị một người 19 tuổi “đặt câu hỏi”, và tôi không trả lời được nhiều câu hỏi. Sau đó tôi nhận ra, điều này chính là dấu hiệu cho thấy công ty thực sự biết tuyển dụng nhân tài không phân biệt tuổi tác, và tuổi tác đã không còn là tiêu chuẩn để đánh giá nhân tài ở Thung lũng Silicon.

Quan sát 3: Tiêu chuẩn tuyển dụng đã được viết lại hoàn toàn, các công ty AI không dùng cùng một mẫu phỏng vấn

Trước khi tôi rời Quora, tôi đã phỏng vấn kỹ lưỡng gần 20 công ty, tính cả những nơi tôi đã gọi điện thì có khoảng 30 đến 40 công ty. Nhiều nhất, một tuần tôi bị hơn 30 đầu mối tìm đến.

Đã phỏng vấn nhiều công ty như vậy, tôi nhận thấy rằng các công ty AI hiện nay không có một mẫu phỏng vấn thống nhất.

Tuy nhiên, có một vài thay đổi rõ rệt: tầm quan trọng của các câu hỏi thuật toán kiểu LeetCode đang giảm dần, và các câu trả lời tối ưu về thiết kế hệ thống AI mỗi tháng đều thay đổi.

Cấu trúc phỏng vấn cũng đang thay đổi. Bài kiểm tra trực tuyến kết hợp với work trial đã trở thành một sự kết hợp mới. Work trial là một “thời gian thử việc” cực kỳ ngắn. Có nơi kéo dài 3 giờ, có nơi 5 giờ, lâu nhất cũng chỉ một đến hai ngày. Trong một lần phỏng vấn tôi từng trải qua, họ trực tiếp cung cấp cho tôi một kho mã nguồn và yêu cầu tôi sử dụng bất kỳ công cụ nào, kể cả AI, để giải quyết một vấn đề thực tế. Sau khi hoàn thành, tôi còn phải trình bày tư duy và kết quả đạt được. Toàn bộ quy trình này đã rất gần với công việc thực tế.

Điều thú vị hơn là việc đánh giá việc sử dụng AI cũng được chia thành hai chế độ. Một số vòng thi yêu cầu bắt buộc phải sử dụng AI, xem bạn sẽ làm thế nào “by code”; nhưng cũng có những vòng thi cấm rõ ràng việc sử dụng AI, ví dụ như debug, nhằm kiểm tra xem bạn có thể tìm ra lỗi mà không có sự hỗ trợ của AI hay không, về bản chất là đang đánh giá trình độ và gu phần mềm thực tế của cá nhân bạn.

Phỏng vấn cũng rất đa dạng. Ví dụ, có một số công ty yêu cầu tôi thực hiện phân tích kinh doanh để xác định họ nên mua lại ngành nào.

Vòng phỏng vấn hành vi cũng đã thay đổi. Nó không còn là những câu hỏi truyền thống như “nhược điểm và ưu điểm lớn nhất của bạn là gì” hay “làm thế nào để giải quyết xung đột với đồng nghiệp”, mà kéo dài thời gian để xem hành trình phát triển của một người, từ trung học đến đại học, từ thực tập đến công việc, theo dõi từng bước một để đánh giá “độ dốc cuộc đời” của bạn, từ đó xác định liệu bạn có phải là người có khả năng tăng trưởng theo cấp số nhân hay không.

Một lợi ích bất ngờ của việc không có đáp án chuẩn là: không ai có thể nhận được offer chỉ bằng cách học thuộc lòng câu hỏi. Ngay cả người giới thiệu tôi tại Cognition cũng nói thẳng: “Bạn đừng chuẩn bị gì cả, tôi nghĩ chẳng có gì để chuẩn bị.”

Ở Thung lũng Silicon, những người xuất sắc nhất không thuộc về bất kỳ công ty nào, mà chỉ thuộc về “công ty xuất sắc nhất của thời đại đó”. Hai mươi năm trước là Google, mười năm trước là Uber và Robinhood, năm năm trước là Coinbase, hiện tại là các công ty AI. Thung lũng Silicon là “khay bạc trôi chảy, binh sĩ bất biến”. Những nhân tài được sàng lọc bởi tiêu chuẩn mới sẽ ở lại vì sứ mệnh, chứ không phải vì “chế độ đãi ngộ”. Những tổ chức hội tụ những người xuất sắc nhất cũng đang trải qua những thay đổi lớn dưới sự tái định hình của AI.

Quan sát 4: Quá khao khát "AI-native"

Các công ty ở Thung lũng Silicon có nhu cầu đối với các sản phẩm AI nguyên sinh (AI native) còn lớn hơn nhiều so với những gì tôi tưởng tượng. Các công ty tôi phỏng vấn chủ yếu là vòng A, vòng B, cũng có một số vòng seed. Một câu hỏi thường gặp là: “Bạn dùng công cụ AI nào?” Tôi thường trực tiếp gửi bài blog do chính mình viết, và hầu hết họ đều “ngạc nhiên đến sửng sốt”.

Họ sẽ nói, không chỉ muốn tôi phát triển ứng dụng AI, mà còn mong tôi thúc đẩy quá trình chuyển đổi AI trong công ty, giúp đội ngũ trở nên bản địa hóa AI hơn. Nhiều công ty thực tế đã đang phát triển sản phẩm AI, nhưng nhân viên vẫn chưa xây dựng được quy trình làm việc dựa trên AI. Ngoài ra, họ cũng rất cần những người dành nhiều thời gian mỗi ngày để lướt Twitter, chia sẻ kịp thời những phát hiện AI mới lạ hoặc các mẹo tăng hiệu suất.

Điều này hơi đi ngược lại trực giác của tôi. Một số “sở thích” trước đây của tôi, như mỗi ngày tìm tòi các công cụ mới như Claude Code hay chia sẻ cách sử dụng AI trên Slack (một phần mềm văn phòng), lại trở thành một vai trò tổ chức mới.

Trước đây khi còn ở Quora, tôi đã thành công trong việc giúp toàn bộ đội ngũ kỹ thuật sử dụng Claude Code. Mỗi khi gặp một kỹ sư nào đó trong văn phòng, tôi đều hỏi: “Bạn đã dùng AI để lập trình chưa?” Tôi nhớ có một kỹ sư chuyên về an ninh mạng ban đầu rất phản đối, cho rằng dùng AI để viết mã quá rủi ro. Sau đó, tôi khuyên anh ấy thay đổi cách tiếp cận: đừng viết mã, mà chỉ dùng AI để đọc mã, hiểu kho mã nguồn và thực hiện phân tích dữ liệu. Sau đó, anh ấy thật sự đã bắt đầu sử dụng nó.

Quan sát 5: “Sử dụng AI hiệu quả hơn” thực chất là một vấn đề chuyển đổi tổ chức

Khi làm việc về AI tại Cognition, tôi ngày càng nhận ra một sự thật: việc sử dụng AI hiệu quả hơn có lẽ đã không còn là một vấn đề thuần túy về kỹ thuật, mà là một vấn đề chuyển đổi về cơ cấu tổ chức.

Ví dụ: Trong một công ty internet theo cấu trúc truyền thống, một lỗi Bug từ khi được phát hiện đến khi được sửa chữa thường phải trải qua nhiều bước như đánh giá yêu cầu, lên lịch trình kỹ thuật, phát triển, kiểm thử và triển khai. Trong khi đó, việc sử dụng AI để viết mã thực tế có thể chỉ mất hai đến ba giờ, nhưng toàn bộ quy trình này thường kéo dài đến một tháng.

Trước đây, quy trình này là hợp lý. Vì để sửa một lỗi, một kỹ sư có thể mất ba đến năm ngày, giá trị của quy trình nằm ở việc điều phối các đội ngũ khác nhau và phân bổ nguồn lực. Nhưng AI đã thu hẹp thời gian này.

Bây giờ, với các sản phẩm như Devin – kỹ sư phần mềm AI do Cognition phát triển, chúng ta có thể hoàn thành công việc vốn mất vài ngày chỉ trong hai đến ba giờ. Tại Cognition, chúng tôi thậm chí có thể dùng Devin để xác định người phụ trách lỗi này, sau đó để Devin hỗ trợ họ sửa chữa, giúp loại bỏ hoàn toàn nhiều khâu phối hợp và chuyển giao không cần thiết, không có bất kỳ sự dư thừa nào. Thực chất, AI đang thúc ép toàn bộ cấu trúc tổ chức chuyển đổi.

Quan sát 6: Người quản lý nhân sự đang biến mất, các nhà quản lý phải tự biết viết mã

People manager chính là quản lý kỹ thuật (engineering manager). Trong những năm gần đây tại Mỹ, một quan điểm phổ biến là: với tư cách là nhà quản lý, bạn cần tập trung vào công tác quản lý—chủ yếu phụ trách phối hợp đội nhóm, giao tiếp tổ chức, quan tâm đến cảm xúc nhân viên và hỗ trợ sự phát triển của họ, không cần phải có năng lực kỹ thuật quá xuất sắc.

Nhưng khi vào Cognition, tôi nhận ra toàn bộ cấu trúc tổ chức cực kỳ phẳng. Ví dụ, người trực tiếp báo cáo với tôi thậm chí còn là CPO – một trong những đồng sáng lập. Anh ấy không quan tâm chi tiết đến sự phát triển cá nhân của bạn, vai trò của anh ấy giống như xác định định hướng lớn. Có thể nói rằng, trong đội ngũ kỹ thuật hiện tại của Cognition với hơn 60 người, chỉ có một người duy nhất là people manager, còn lại, kể cả CPO, đều là “vừa quản lý người, vừa viết mã”. Điều này hoàn toàn khác với trải nghiệm trước đây của tôi tại Quora, nơi một manager có thể quản lý năm sáu kỹ sư.

Đội ngũ Cognition cùng mặc áo đỏ để chúc mừng sinh nhật một đồng nghiệp thường xuyên mặc áo đỏ

Tôi cho rằng đây có thể là sự thay đổi cơ cấu tổ chức do AI mang lại. Tôi nhận thấy rằng bất kỳ công ty khởi nghiệp AI nào đầy năng lượng đều như vậy, gần như không có quản lý chỉ chuyên lo về con người—nếu họ quản lý người, thì họ chắc chắn cũng có kỹ năng công nghệ rất mạnh.

Sự phán đoán này không chỉ xảy ra ở Thung lũng Silicon; trong khoảng thời gian hai cuộc phỏng vấn cách nhau hai tuần, các công ty lớn trong nước như Tencent và ByteDance cũng lần lượt thông báo hủy bỏ các vị trí trung cấp.

Những thay đổi Mã Bôi Nguyên quan sát được không chỉ dừng lại ở cấp độ tổ chức. Những phán đoán ngành rộng hơn cũng đang bị đảo ngược với tốc độ rõ rệt: “Trong các công ty AI tại Thung lũng Silicon, chi tiêu token nào là hợp lý, mô hình nào mới là mô hình tốt?” Ngay cả những phán đoán mà anh ấy từng đưa ra trong cuộc phỏng vấn đầu tiên cũng không thể trụ vững qua hai tuần.

Ngành AI tại Thung lũng Silicon chính nó cũng đang tự lật đổ mình theo từng tháng, thậm chí từng ngày, không có phán đoán nào có thể giữ được độ tươi mới lâu dài.

Quan sát 7: Token Maxxing đã phân hóa, các công ty lớn bắt đầu quan tâm trở lại đến hiệu quả

Đầu năm nay, Thung lũng Silicon từng rộ lên trào lưu “Token-Maxxing”. Các công ty như Meta thậm chí còn từng lập bảng xếp hạng việc sử dụng token. Ai dùng nhiều nhất, người đó là đại diện của “AI-native”. Tôi cho rằng đây đầu tiên là một việc rất ngu ngốc—số lượng sử dụng token AI không thể đồng nghĩa với hiệu suất của kỹ sư.

Bạn bè của tôi tại Google và Meta cũng kể rằng lúc đó họ đều đang lao vào “Cuộc đại nhảy vọt AI”. Công ty sẽ tổ chức “Tuần AI” riêng, mọi người đều phải ngừng công việc đang làm để viết về các Kỹ năng AI, đóng gói kỹ năng của mình một cách hoa mỹ nhất.

Ban đầu, hầu hết các công ty đều theo hướng này: trước tiên, khuyến khích mọi người sử dụng AI càng nhiều càng tốt để xem nó có thể được ứng dụng đến mức nào.

Nhưng một khi trở thành bảng xếp hạng công khai, hành vi của con người sẽ bị bóp méo. Các kỹ sư sẽ sử dụng chỉ vì “sử dụng nhiều”, thậm chí xuất hiện những tình huống rất kỳ lạ, như để AI tự động chạy loanh quanh vào mỗi đêm, thực hiện những nhiệm vụ vô nghĩa chỉ để tăng lượng sử dụng. Điều này thực chất cũng giống như dùng GPA để đánh giá năng lực sinh viên — một chỉ số đơn lẻ rất dễ bị méo mó.

Sau đó, nhiều cấp lãnh đạo cao cấp cũng bắt đầu nhận ra vấn đề này. Cụ thể hơn, họ bị sốc bởi hóa đơn. Ví dụ như Uber, ngân sách AI dành riêng cho cả năm 2026, chỉ trong bốn tháng đầu đã tiêu hết gần hết. Nhiều công ty lớn bắt đầu tái hạn chế lượng token sử dụng. Hội đồng quản trị và CEO sẽ bắt đầu đặt câu hỏi: Liệu lượng token này có thực sự xứng đáng không? Liệu nó có thực sự giúp chúng ta tăng hiệu suất đáng kể như vậy không? Một tỷ đô la chi ra, liệu có mang lại doanh thu một tỷ đô la không?

Sự lo lắng này nhanh chóng được Cognition biến thành một bản báo cáo kinh doanh có thể định giá rõ ràng. Vào ngày 4 tháng 6, Cognition đã ra mắt “Bảo đảm năng suất AI” – nếu khách hàng doanh nghiệp sử dụng Devin (sản phẩm kỹ sư phần mềm AI do Cognition ra mắt) nhưng không đạt được mức tăng hiệu suất như cam kết, mức bồi thường tối đa lên đến 10 triệu USD. Người thực hiện nghiên cứu này là một đồng nghiệp của tôi, từng giành ba huy chương vàng Olympic Tin học quốc tế, người đã điều tra 233 trường hợp khách hàng thực tế, ngẫu nhiên chọn ra các cuộc hội thoại giữa khách hàng và Devin, hỏi khách hàng “Nếu không dùng Devin, công việc này sẽ tốn bao lâu nếu làm hoàn toàn bằng tay”, sau đó dùng những dữ liệu này để huấn luyện một hệ thống dự đoán, chuyển trực tiếp mỗi cuộc hội thoại với Devin thành “số giờ kỹ sư tương đương”, và dùng mức lương theo giờ của kỹ sư để suy ngược lại sản phẩm này đã tiết kiệm được bao nhiêu.

Tuy nhiên, nhiều công ty YC có thể vẫn tiếp tục mô hình “token maxxing”, vì họ có nhiều hạn mức token miễn phí được ưu đãi chính sách, cộng với quy mô nhỏ, có thể chỉ có ba người, nên không gặp vấn đề về quản trị AI; người quản lý có thể trực tiếp quan sát được mỗi người có đang dùng AI để lười làm việc hay không.

Quan sát 8: Chính sự sùng bái mô hình cũng đang bị lật đổ

Trong khoảng thời gian hai tuần giữa hai cuộc phỏng vấn trong bài viết này, tôi nhận ra những lý lẽ mình từng nói trước đó đã bắt đầu không còn đúng nữa.

Hai tuần trước, tôi còn đang bàn luận mô hình nào là tiên tiến nhất hiện nay. Bây giờ, Cognition vừa ra mắt một tính năng chưa có tên tiếng Trung, mã hiệu là fusion mode—kết hợp và phân bổ linh hoạt nhiều mô hình giá rẻ với các mô hình hàng đầu, thay vì chỉ dùng ngây thơ mô hình đắt nhất. Bạn không thể nào ngày nào cũng lái Porsche đi mua sắm, bạn nên dùng Honda hoặc xe rẻ hơn để đi mua sắm. Tốc độ cải tiến mô hình trong hai tuần qua cũng vượt quá tưởng tượng của tôi, ngay cả việc ai là “số một” cũng không dám khẳng định chắc chắn.

Tôi không thể nói hết tất cả, nhưng bạn có thể nói hơn 60%, nhiều khả năng sau một tháng thì lại ngược lại.

Luật lệ phát triển của mọi làn sóng công nghệ đều như vậy: sự sụp đổ của sự đồng thuận cũ thường chính là khởi đầu của một mô hình mới.

Khi thị trường từ bỏ sự sùng bái mù quáng đối với mô hình đơn lẻ và tiêu tốn năng lực tính toán, nhu cầu về “làm thế nào để AI có thể triển khai một cách ổn định và kiểm soát được” và “làm thế nào để giải quyết những vấn đề khó khăn mà mô hình lớn không thể xử lý” đã bùng nổ. Ma Peiyuan, với góc nhìn kép vừa là kỹ sư vừa là nhà tuyển dụng đầu tư, nhận ra rằng một loạt các doanh nghiệp mới, không phụ thuộc vào “huyền thoại mô hình lớn” mà tập trung vào việc giải quyết những vấn đề phức tạp trong thế giới thực, đang âm thầm nảy mầm trong sự đồng thuận phi truyền thống tại Thung lũng Silicon.

Quan sát 9: Cơ sở hạ tầng AI mới đang xuất hiện

Xung quanh khái niệm “Token-Maxxing”, đã xuất hiện một nhóm các công ty khởi nghiệp mới, chuyên theo dõi và giám sát việc sử dụng AI của đội ngũ, phân tích nơi nào đang lãng phí token.

Vấn đề sâu xa hơn đằng sau điều này là chính các AI agent vốn rất dễ bị tổn thương. Một thay đổi nhỏ trong prompt có thể khiến hiệu suất của agent suy giảm. Do đó, các cơ sở hạ tầng AI mới bắt đầu xuất hiện, chẳng hạn như sandbox (môi trường cách ly), nhằm cô lập việc chạy agent để ngăn nó tiếp xúc trực tiếp với các hệ thống nhạy cảm như tài khoản ngân hàng hoặc dữ liệu môi trường sản xuất.

Đồng thời, chính việc “giám sát” cũng trở nên phức tạp hơn. Các hệ thống truyền thống có thể được giám sát khi xảy ra lỗi, nhưng agent không “báo lỗi”. Nó có thể chạy bình thường, nhưng vẫn có thể gặp vấn đề nghiêm trọng ở cấp độ đầu ra, chẳng hạn như mang tính thiên kiến, phân biệt đối xử, hoặc gây trải nghiệm tiêu cực rõ rệt cho người dùng. Điều này đòi hỏi một bộ phần mềm mới để phát hiện khi nào agent “bị hỏng não”.

Quan sát 10: “Những thứ không thể huấn luyện được” đang trở thành một ngành kinh doanh mới

Trong giới đầu tư, một quan điểm ngày càng phổ biến là: vertical agent (đại lý AI chuyên ngành) đã mất đi giá trị đầu tư. Nhưng tôi không hoàn toàn đồng ý.

Nhà đầu tư Thung lũng Silicon Sarah Guo đã đưa ra một khái niệm – “the untrainable”, hay “những thứ không thể huấn luyện được”. Quan điểm cốt lõi là trong nhiều ngành dọc, các mô hình ngôn ngữ sẽ không bao giờ có thể tự động hóa hoàn toàn, vì các ngành dọc chứa đầy những quy trình phức tạp không thể trừu tượng hóa, và những quy trình này thường đòi hỏi con người phải liên tục giải quyết từng cái một.

Ví dụ như khai thuế ở Mỹ, 50 tiểu bang có 50 loại thuế, phải từng cái từng cái nối kết chậm rãi; lĩnh vực pháp lý cũng tương tự, luật nhập cư, luật dân sự, luật thương mại, mỗi hệ thống đều phức tạp, AI agent không thể hoàn thành ngay lập tức.

Giá trị của các công ty AI agent theo chiều dọc nằm ở việc liên tục phát hiện ra những điểm đau thực tế thông qua tương tác với khách hàng và FDE (Kỹ sư triển khai前沿). Những điều này sẽ được ghi sâu vào sản phẩm của công ty, và đây chính là những thứ mà các công ty lớn khác không thể huấn luyện hay bị các mô hình tổng quát hấp thụ.

Vì vậy, tôi có xu hướng cho rằng các agent theo chiều dọc vẫn có giá trị đầu tư. Tuy nhiên, lợi nhuận mà chúng mang lại có thể không phải là 1000 lần, mà nhiều khả năng là các mức lợi nhuận ổn định và nhỏ hơn như 20 lần, 50 lần, hoặc thậm chí 100 lần.