Không có gì là hoàn toàn ảo
Giả sử một đứa trẻ sáu tuổi cầm điện thoại lên và hỏi ChatGPT:
Con mèo có nằm mơ thấy con cá không?
Câu hỏi nhẹ như một chiếc bong bóng xà phòng.
Nhưng ngay khi ngón tay chạm vào nút gửi, hàng tỷ electron bắt đầu chạy. Tín hiệu rời khỏi chiếc điện thoại, chui qua cục Wi-Fi nằm im lìm ở góc nhà, lao vào mạng cáp quang, vượt qua những bộ định tuyến đang nóng lên từng giây, tìm đến một trung tâm dữ liệu nào đó có thể nằm cách chúng ta nửa vòng Trái Đất.
Ở đó, những con chip không biết con mèo là gì, cũng chẳng từng mơ thấy con cá. Chúng chỉ biết nhân những ma trận khổng lồ, đẩy các con số qua lại giữa GPU và bộ nhớ, hút điện, tỏa nhiệt, rồi gọi một hệ thống làm mát lớn hơn cả căn nhà của chúng ta đến để thổi cái nóng ấy ra ngoài.
Vài giây sau, màn hình hiện lên:
Có thể lắm. Mèo cũng có những giai đoạn ngủ giống con người và có thể mơ về những điều chúng từng trải qua.
Đứa trẻ cười.
Phía sau nụ cười đó là điện, nước, đồng, silicon, cáp quang, nhà máy điện, trung tâm dữ liệu và một chuỗi cung ứng chạy vòng quanh hành tinh.
Đây cũng là cảm giác lớn nhất còn lại sau khi đọc hơn 400 trang của AI Index Report 2026 do Stanford Institute for Human-Centered Artificial Intelligence công bố: AI không còn là một món đồ nằm bên trong màn hình. Nó đã trở thành một hệ thống vật lý, kinh tế và chính trị khổng lồ. Và hệ thống ấy đang lớn nhanh hơn khả năng hiểu, đo lường và quản lý của con người.
Năm 2026 không còn là câu chuyện AI sẽ đến
Những năm trước, người ta thường hỏi:
- AI có trở thành xu hướng lớn không?
- Doanh nghiệp có thật sự sử dụng AI không?
- Người bình thường có dùng AI mỗi ngày không?
- AI có thể viết code, giải toán hay làm việc thay con người không?
Báo cáo năm 2026 gần như không còn mất thời gian trả lời những câu hỏi đó nữa.
AI đã đến rồi.
Generative AI đạt mức độ sử dụng tương đương khoảng 53% dân số chỉ trong ba năm, nhanh hơn tốc độ phổ cập của máy tính cá nhân và Internet. Tỷ lệ tổ chức sử dụng AI đã lên đến 88%. Cứ năm sinh viên đại học thì có khoảng bốn người đang dùng AI.
Nói một cách đơn giản, AI không còn đứng trước cửa gõ “cốc cốc”.
Nó đã đi vào nhà, mở tủ lạnh, uống hộp sữa cuối cùng rồi hỏi mật khẩu Wi-Fi.
Câu hỏi quan trọng của năm 2026 không còn là AI có phổ biến hay không, mà là:
Chuyện gì xảy ra sau khi một công nghệ được hàng tỷ người sử dụng, trong khi phần lớn luật lệ, trường học, doanh nghiệp và cơ chế kiểm soát vẫn được thiết kế cho một thế giới chưa có nó?
Đây là sợi dây chạy xuyên suốt toàn bộ báo cáo.
AI thông minh hơn, nhưng không thông minh theo một đường thẳng
Một trong những hình ảnh thú vị nhất của báo cáo là một mô hình AI có thể đạt huy chương vàng Olympic Toán quốc tế, nhưng lại chỉ đọc đúng đồng hồ kim khoảng một nửa số lần.
Nghe giống một ông giáo sư giải được phương trình ngoài hành tinh nhưng đứng trước chiếc đồng hồ treo tường lại hỏi:
Cây kim dài là giờ hay phút vậy ta?
Gemini Deep Think đạt thành tích tương đương huy chương vàng tại International Mathematical Olympiad. Trong khi đó, mô hình tốt nhất trong bài kiểm tra đọc đồng hồ kim chỉ đạt độ chính xác 50,1%.
Hiện tượng này được gọi là biên năng lực lởm chởm (jagged frontier).
AI không tiến bộ giống một đứa trẻ học từ lớp một lên lớp hai, rồi lớp ba. Nó giống một sinh vật mọc tay chân không đều: một cánh tay có thể nâng được chiếc xe tải, cánh tay còn lại chưa mở nổi nắp chai nước.
Benchmark đang dần hết hạn sử dụng
Nhiều bộ đánh giá AI từng rất khó nay đang tiến gần đến trạng thái bão hòa.
Trên SWE-bench Verified, một benchmark dùng để đánh giá khả năng sửa lỗi phần mềm thực tế, hiệu suất của các hệ thống hàng đầu đã tăng từ khoảng 60% lên gần mức tương đương con người chỉ trong một năm.
AI agent cũng tiến bộ mạnh trên OSWorld, từ tỷ lệ hoàn thành nhiệm vụ khoảng 12% lên gần 66%. Nhưng điều này vẫn có nghĩa là trong ba nhiệm vụ được giao, nó có thể làm hỏng một nhiệm vụ.
Nghe thì khá giỏi.
Nhưng hãy tưởng tượng đó là một nhân viên ngân hàng:
- Chuyển khoản đúng hai lần.
- Lần thứ ba chuyển tiền của khách sang tài khoản bán cá cảnh.
Khi đó, 66% không còn nghe hay ho lắm.
Báo cáo cho thấy một vấn đề lớn: khi các benchmark cũ trở nên quá dễ, chúng ta phải tạo benchmark mới. Nhưng benchmark mới lại khó kiểm chứng hơn, dễ nhiễm dữ liệu huấn luyện hơn và đôi khi kết quả do chính phòng thí nghiệm phát triển mô hình công bố không trùng với đánh giá độc lập.
Tức là thước đo đang ngắn lại trong khi con vật cần đo cứ tiếp tục lớn lên.
Thế giới vật lý vẫn là bức tường dày
Trong môi trường mô phỏng RLBench, robot có thể đạt tỷ lệ thành công 89,4% đối với một số thao tác.
Nhưng trong các công việc gia đình thực tế, tỷ lệ thành công chỉ khoảng 12%.
Trong phòng thí nghiệm, chiếc cốc luôn nằm đúng vị trí, ánh sáng ổn định, mặt bàn phẳng, không có con mèo chạy ngang và cũng không có đứa trẻ vừa ăn bánh vừa sờ tay dính đường vào camera.
Ngoài đời, chiếc tất có thể nằm dưới ghế. Chiếc ly có thể bị che một nửa. Cánh cửa có thể hơi kẹt. Người dùng có thể nói “lấy cái kia” mà không chỉ cái nào.
Thế giới vật lý chứa vô số ngoại lệ nhỏ bé nhưng độc ác.
Đó là lý do AI có thể viết một bài luận về triết học Kant trước khi robot biết gom quần áo bẩn cho đúng cách.
AI càng “ảo”, hạ tầng phía dưới càng nặng
Chúng ta thường nhìn AI như một hộp thoại.
Nhưng hộp thoại chỉ là miệng hang.
Phía dưới nó là GPU, bộ nhớ băng thông cao (High-Bandwidth Memory), mạng InfiniBand, cáp quang, hệ thống lưu trữ, máy biến áp, nhà máy điện và các đường ống làm mát.
Một đế chế được xây trên những con chip
Công suất tính toán AI toàn cầu đã tăng trung bình khoảng 3,3 lần mỗi năm kể từ năm 2022, đạt khoảng 17,1 triệu đơn vị tương đương H100 vào cuối năm 2025.
Nvidia chiếm hơn 60% tổng năng lực tính toán được báo cáo. Google và Amazon cung cấp phần lớn phần còn lại, trong khi Huawei giữ một tỷ lệ nhỏ nhưng đang tăng lên.
Tuy nhiên, một con chip AI không tự mọc ra từ bản thiết kế.
Nvidia có thể thiết kế GPU. SK Hynix có thể thiết kế bộ nhớ HBM. Nhưng việc biến những đường vẽ ấy thành hàng tỷ transistor thật sự lại phụ thuộc rất lớn vào một số ít nhà máy bán dẫn, đặc biệt là TSMC tại Đài Loan.
Báo cáo mô tả TSMC như một điểm phụ thuộc tập trung của chuỗi cung ứng AI toàn cầu. Phần lớn chip AI hàng đầu, bao gồm nhiều dòng GPU của Nvidia và AMD, đều đi qua năng lực sản xuất của công ty này.
Nghĩa là phía dưới đám mây AI bay lơ lửng là một cái chân rất to đang đứng trên một hòn đảo khá nhỏ.
Data center không phải một đám mây
Hoa Kỳ có 5.427 trung tâm dữ liệu trong năm 2025, nhiều hơn gấp mười lần bất kỳ quốc gia nào khác trong thống kê của báo cáo.
Con số trung tâm dữ liệu chưa thể hiện đầy đủ công suất, vì một nhà kho chứa vài máy chủ không thể so sánh với một cụm siêu máy tính khổng lồ. Nhưng nó vẫn cho thấy hạ tầng AI đang tập trung mạnh về địa lý.
Đám mây, suy cho cùng, chỉ là máy tính của người khác đặt trong một tòa nhà rất nóng.
Đến quý IV năm 2025, tổng công suất điện của các trung tâm dữ liệu AI được ước tính khoảng 29,6 GW, gần tương đương nhu cầu điện cao điểm của toàn bang New York.
Khoảng 11,8 GW được dùng trực tiếp cho chip. Phần còn lại đi vào làm mát, mạng, lưu trữ và vô số thiết bị giữ cho những con chip ấy không tự nướng chín chính mình.
Một câu hỏi AI nhỏ có thể biến thành một dòng sông
Một truy vấn ngắn trên GPT-4o được báo cáo ước tính tiêu thụ khoảng 0,42 Wh, cao hơn một lượt tìm kiếm Google được lấy làm mốc ở mức 0,3 Wh.
Một câu hỏi riêng lẻ gần như chẳng đáng kể.
Giống như một giọt nước rơi xuống sân.
Nhưng khi hàng trăm triệu người cùng hỏi, giọt nước trở thành một dòng sông.
Một phiên sử dụng gồm tám câu hỏi độ dài trung bình có thể dùng khoảng 9,7 Wh, gần tương đương lượng điện để sạc hai chiếc điện thoại. Và việc phục vụ mô hình không chỉ dùng điện. Trung tâm dữ liệu còn cần nước để làm mát và nước gián tiếp trong quá trình sản xuất năng lượng.
Báo cáo ước tính lượng nước hằng năm liên quan đến inference của GPT-4o có thể nằm trong khoảng 1,3 đến gần 1,6 triệu kilolít. Ở mức cao, con số này vượt nhu cầu nước uống hằng năm của khoảng 1,2 triệu người.
Đây không phải lý do để chúng ta ngừng sử dụng AI.
Chiếc tủ lạnh cũng dùng điện. Bệnh viện dùng điện. Hệ thống tìm kiếm, truyền hình và ngân hàng đều dùng điện.
Vấn đề không nằm ở việc một câu hỏi “có tốn điện hay không”. Mọi hoạt động tính toán đều có chi phí vật lý.
Vấn đề nằm ở chỗ chúng ta thường coi AI là miễn phí vì không nhìn thấy hóa đơn nằm phía sau màn hình.
Hiệu quả tăng, nhưng quy mô tăng nhanh hơn
Chip AI hiện đại thực hiện được nhiều phép tính hơn trên mỗi watt điện. Một số phần cứng hàng đầu hiệu quả hơn khoảng mười lần so với thế hệ cách đây một thập kỷ.
Nhưng mô hình lại lớn nhanh hơn mức tiết kiệm đó.
Đây là nghịch lý giống như việc chúng ta tạo ra một chiếc xe tiết kiệm xăng gấp đôi, sau đó quyết định lái nó xa gấp hai mươi lần.
Chi phí cho mỗi phép tính GPU đã giảm hơn 99% kể từ năm 2006. Khi một thứ trở nên rẻ hơn, người ta không nhất thiết tiêu ít hơn. Người ta thường tìm thêm hàng nghìn cách mới để sử dụng nó.
AI vì vậy có thể ngày càng hiệu quả ở cấp độ một truy vấn, nhưng tổng lượng điện, nước và tài nguyên vẫn tiếp tục tăng ở cấp độ toàn hệ thống.
Tiền đang đổ vào AI như nước tràn qua cửa đập
Đầu tư tư nhân vào AI tại Hoa Kỳ đạt khoảng 285,9 tỷ USD trong năm 2025, cao hơn hơn 23 lần con số 12,4 tỷ USD được ghi nhận tại Trung Quốc.
Hoa Kỳ cũng có 1.953 công ty AI mới nhận được vốn trong năm, gấp hơn mười lần quốc gia đứng tiếp theo.
Nhưng con số này cần được đọc cẩn thận.
Đầu tư tư nhân không phản ánh toàn bộ năng lực tài chính của một quốc gia. Tại Trung Quốc, một phần đáng kể đầu tư công nghệ có thể đi qua các quỹ định hướng của nhà nước, doanh nghiệp nhà nước hoặc những cơ chế không xuất hiện đầy đủ trong dữ liệu vốn tư nhân.
Dù vậy, thông điệp chung vẫn rất rõ: AI đã trở thành một cuộc đua vốn khổng lồ.
Trước đây, một công ty phần mềm có thể khởi nghiệp bằng vài chiếc laptop và một đường truyền Internet.
Công ty AI vẫn có thể bắt đầu như vậy.
Nhưng để bước lên tầng frontier, nơi huấn luyện những mô hình lớn nhất, chiếc laptop nhanh chóng biến thành một cụm GPU trị giá hàng tỷ USD, cùng hợp đồng điện, đất, nước, mạng và chuỗi cung ứng bán dẫn.
Cánh cửa tạo sản phẩm AI đang mở rộng nhờ API và open weight.
Cánh cửa tự xây dựng mô hình frontier lại ngày càng nặng hơn.
Năng suất tăng, nhưng chiếc thang nghề nghiệp có thể bị rút mất vài bậc
Các nghiên cứu được tổng hợp trong báo cáo ghi nhận mức tăng năng suất khoảng 14% đến 26% trong một số lĩnh vực như chăm sóc khách hàng và phát triển phần mềm.
Người mới hoặc người có kỹ năng thấp thường hưởng lợi rõ hơn vì AI giúp họ:
- Viết câu trả lời ban đầu.
- Tìm thông tin nhanh hơn.
- Hoàn thành đoạn code quen thuộc.
- Sửa lỗi đơn giản.
- Chuẩn hóa văn bản.
- Tóm tắt tài liệu dài.
Nhưng với những công việc cần phán đoán sâu, hiểu bối cảnh hoặc xử lý tình huống lạ, tác động có thể yếu hơn, thậm chí tiêu cực nếu người dùng quá tin vào câu trả lời sai.
Điều đáng chú ý là đúng tại những lĩnh vực ghi nhận tăng năng suất rõ nhất, việc làm cấp đầu vào bắt đầu có dấu hiệu suy giảm.
Tại Hoa Kỳ, số lượng lập trình viên từ 22 đến 25 tuổi giảm gần 20% so với năm 2024, trong khi lao động lớn tuổi hơn vẫn tiếp tục tăng.
Chúng ta chưa thể kết luận mọi vị trí biến mất đều do AI. Thị trường lao động còn chịu ảnh hưởng của lãi suất, chu kỳ tuyển dụng, kinh tế vĩ mô và sự điều chỉnh sau thời kỳ tuyển người quá mức.
Nhưng đây vẫn là một tín hiệu đáng suy nghĩ.
Ai sẽ trở thành chuyên gia nếu không còn chỗ cho người mới?
Một kỹ sư giỏi không sinh ra ở cấp senior.
Họ từng viết những đoạn code ngớ ngẩn. Từng làm vỡ môi trường production. Từng bị review pull request đến đỏ cả màn hình. Từng ngồi ba tiếng chỉ để phát hiện thiếu một dấu phẩy.
Những công việc đơn giản là bậc thang để con người leo lên công việc khó.
Nếu AI lấy đi toàn bộ công việc đơn giản, doanh nghiệp có thể tăng năng suất trong ngắn hạn. Nhưng vài năm sau, họ có thể phát hiện mình có rất nhiều công cụ mạnh và rất ít người đủ kinh nghiệm để kiểm soát chúng.
Đây là một trong những bài toán khó nhất của AI trong doanh nghiệp:
Tự động hóa công việc mà không tự động hóa luôn con đường trưởng thành của con người.
Mỹ và Trung Quốc đang chạy sát nhau, nhưng không chạy cùng một đường
Khoảng cách hiệu suất giữa các mô hình hàng đầu của Hoa Kỳ và Trung Quốc gần như đã khép lại.
Đầu năm 2025, DeepSeek-R1 từng đạt mức gần tương đương mô hình hàng đầu của Hoa Kỳ. Đến tháng 3 năm 2026, mô hình tốt nhất của Anthropic chỉ dẫn đầu khoảng 2,7% theo thước đo được báo cáo sử dụng.
Nhưng việc hỏi “nước nào thắng AI?” giống như hỏi “đội nào thắng trong một môn thể thao có mười sân đấu khác nhau”.
Hoa Kỳ dẫn đầu về:
- Số lượng mô hình đáng chú ý.
- Đầu tư tư nhân.
- Hạ tầng data center.
- Một số chỉ số ảnh hưởng bằng sáng chế.
- Các công ty mô hình frontier.
Trung Quốc dẫn đầu về:
- Số lượng công bố AI.
- Tổng lượng trích dẫn nghiên cứu.
- Số bằng sáng chế AI được cấp.
- Robot công nghiệp.
- Một hệ sinh thái nghiên cứu và triển khai ngày càng lớn.
Trong năm 2025, Hoa Kỳ tạo ra 59 mô hình AI đáng chú ý, Trung Quốc tạo ra 35. Nhưng Trung Quốc chiếm hơn 74% số bằng sáng chế AI được cấp trên toàn cầu trong dữ liệu năm 2024.
Số lượng chưa chắc đồng nghĩa với chất lượng. Bằng sáng chế cũng không tự động đồng nghĩa với tác động kinh tế. Nhưng khi ghép các mảnh lại, ta thấy cuộc cạnh tranh AI đã vượt khỏi phạm vi một vài chatbot.
Đó là cuộc cạnh tranh về điện, chip, nhân tài, dữ liệu, nghiên cứu, nhà máy và quyền kiểm soát hạ tầng.
Open source đang mở cửa, nhưng phòng máy lớn vẫn có khóa
Năm 2025, GitHub có khoảng 5,6 triệu dự án liên quan đến AI. Số lượng model được tải lên Hugging Face đã tăng hơn ba lần so với năm 2023, trong khi số dataset tăng khoảng bốn lần.
Open-source AI đang giúp nhiều quốc gia, doanh nghiệp nhỏ và cá nhân tham gia vào cuộc chơi.
Một nhóm kỹ sư tại Việt Nam không cần tự huấn luyện mô hình từ số 0. Họ có thể lấy một mô hình open weight, fine-tune cho tiếng Việt, triển khai trên máy chủ nội bộ rồi xây ứng dụng cho bán lẻ, chăm sóc khách hàng hoặc phân tích văn bản.
Tuy nhiên, cần phân biệt ba thứ thường bị gọi chung là “mở”:
- Mở trọng số mô hình.
- Mở mã nguồn inference.
- Mở toàn bộ dữ liệu, mã huấn luyện và quy trình tái tạo.
Báo cáo cho thấy năm 2025 có 81 trong số 102 mô hình đáng chú ý được phát hành mà không công bố mã huấn luyện. Chỉ một số rất nhỏ cung cấp training code theo dạng open source.
Tức là chúng ta có thể nhận được chiếc bánh đã nướng xong, thậm chí được phép cắt lại và trang trí.
Nhưng công thức, nguyên liệu và căn bếp vẫn khóa cửa.
Đáng chú ý hơn, hơn 90% mô hình AI đáng chú ý của năm 2025 đến từ doanh nghiệp. Đại học vẫn tạo ra phần lớn bài báo khoa học, nhưng các mô hình frontier lại tập trung trong những công ty có khả năng chi trả cho hạ tầng tính toán khổng lồ.
Tri thức được công bố rộng.
Năng lực xây dựng hệ thống mạnh nhất thì ngày càng tập trung.
AI an toàn đang chạy sau AI mạnh
Số sự cố AI được ghi nhận tăng từ 233 trường hợp trong năm 2024 lên 362 trường hợp.
Trong khi hầu hết nhà phát triển frontier model công bố kết quả về năng lực, việc công bố benchmark liên quan đến an toàn, thiên lệch, quyền riêng tư và trách nhiệm vẫn thiếu nhất quán.
Điều này cũng dễ hiểu theo một cách hơi buồn.
Một biểu đồ cho thấy mô hình giải toán giỏi hơn rất dễ đưa lên sân khấu.
Một bảng cho thấy mô hình đôi lúc bịa thông tin, bị jailbreak hoặc phân biệt đối xử thì không ai muốn chiếu quá lâu.
Responsible AI không đơn giản là thêm một bộ lọc ở cuối pipeline.
Các nghiên cứu được báo cáo còn cho thấy việc cải thiện một chiều có thể làm xấu chiều khác. Tăng mức độ từ chối để an toàn hơn có thể làm giảm độ hữu ích. Ép mô hình tránh rủi ro quá mạnh có thể làm giảm độ chính xác. Tăng khả năng cá nhân hóa có thể kéo theo rủi ro riêng tư.
Không có nút “bật đạo đức”.
Chỉ có những đánh đổi phải được đo lường, giám sát và chịu trách nhiệm.
Bệnh viện đã dùng AI, nhưng bằng chứng vẫn còn mỏng
Một trong những ứng dụng thực tế nhất trong y tế là ambient AI scribe.
Hệ thống nghe cuộc trao đổi giữa bác sĩ và bệnh nhân, sau đó tự động tạo bản nháp hồ sơ khám bệnh. Bác sĩ không còn phải vừa hỏi bệnh vừa gõ bàn phím như một người bán vé.
Một số hệ thống bệnh viện báo cáo thời gian viết ghi chú giảm đến 83%, đồng thời mức độ kiệt sức của bác sĩ cũng giảm đáng kể.
Đây là loại ứng dụng rất hợp lý:
- AI không tự chẩn đoán rồi đuổi bác sĩ về nhà.
- AI gánh phần việc hành chính lặp lại.
- Con người kiểm tra và chịu trách nhiệm cho hồ sơ cuối cùng.
Nhưng bức tranh tổng thể vẫn chưa chắc chắn.
Trong hơn 500 nghiên cứu về clinical AI được xem xét, gần một nửa sử dụng câu hỏi dạng bài thi thay cho dữ liệu bệnh nhân thực tế. Chỉ khoảng 5% dùng dữ liệu lâm sàng thật.
Một mô hình làm tốt bài thi y khoa chưa chắc làm tốt trong bệnh viện.
Bài thi có câu hỏi sạch, đáp án rõ và không biết khóc.
Bệnh nhân thật có bệnh nền, hồ sơ thiếu, triệu chứng mơ hồ, khả năng tài chính khác nhau và đôi khi không nhớ nổi mình đang uống thuốc gì.
Vì vậy, AI trong y tế có lẽ không thiếu màn trình diễn. Nó đang thiếu bằng chứng triển khai dài hạn, trên dữ liệu thật, trong điều kiện thật và với hậu quả thật.
Trường học đang dạy trong một thế giới học sinh đã thay đổi
Hơn 80% học sinh trung học và sinh viên đại học tại Hoa Kỳ đã sử dụng AI cho các nhiệm vụ liên quan đến học tập.
Nhưng chỉ khoảng một nửa trường trung học cơ sở và trung học phổ thông có chính sách AI. Trong số giáo viên được khảo sát, chỉ 6% cho rằng chính sách hiện tại đủ rõ ràng.
Tình huống này hơi giống việc cả lớp đã đi xe máy điện, nhưng nội quy trường vẫn chỉ nói về việc gửi xe đạp.
Cấm hoàn toàn AI thường không hiệu quả.
Cho phép tự do cũng không giải quyết được vấn đề.
Câu hỏi thật sự là phải thiết kế lại việc học:
- Bài tập nào cần cấm AI để luyện nền tảng?
- Bài tập nào nên bắt buộc dùng AI?
- Làm sao kiểm tra quá trình suy nghĩ thay vì chỉ kiểm tra sản phẩm cuối?
- Làm sao dạy học sinh xác minh nguồn?
- Làm sao phân biệt hỗ trợ với làm hộ?
- Kiến thức nào vẫn phải nằm trong đầu con người?
Máy tính bỏ túi không làm toán học biến mất.
Nhưng nó làm những bài kiểm tra chỉ yêu cầu cộng số bằng tay trở nên kém ý nghĩa.
AI cũng đang làm điều tương tự với việc viết, lập trình và tìm kiếm thông tin.
Nếu trường học tiếp tục chấm sản phẩm cuối mà không quan sát quá trình, người làm bài giỏi nhất có thể chỉ là người biết nhấn Enter đúng lúc.
Chính phủ muốn chủ quyền AI, nhưng không phải ai cũng có đủ gạch xây nhà
Nhiều quốc gia đang chuyển từ câu hỏi “có nên phát triển AI không?” sang “làm sao kiểm soát năng lực AI của chính mình?”.
Khái niệm chủ quyền AI (AI sovereignty) xuất hiện ngày càng nhiều.
Một quốc gia muốn có chủ quyền AI thường cần nhiều lớp:
- Nguồn điện ổn định.
- Data center.
- Chip hoặc khả năng tiếp cận chip.
- Dữ liệu ngôn ngữ và văn hóa bản địa.
- Nhân lực.
- Hệ thống nghiên cứu.
- Pháp luật.
- Năng lực triển khai trong doanh nghiệp và dịch vụ công.
Không phải quốc gia nào cũng cần tự xây một mô hình frontier trị giá hàng tỷ USD.
Chủ quyền không nhất thiết là tự làm mọi con ốc.
Nó có thể là khả năng lựa chọn, kiểm soát dữ liệu, thay đổi nhà cung cấp, chạy mô hình quan trọng trong nước và không để toàn bộ hệ thống quốc gia phụ thuộc vào một API nằm ngoài quyền kiểm soát.
Open source đang giúp mở rộng sự tham gia. Các đóng góp GitHub từ phần còn lại của thế giới đã vượt châu Âu và tiến gần Hoa Kỳ. Nhiều mô hình và benchmark dành cho những ngôn ngữ ít tài nguyên cũng đang xuất hiện.
Nhưng sản xuất mô hình frontier vẫn tập trung chủ yếu tại Hoa Kỳ và Trung Quốc.
Một quốc gia có thể có rất nhiều lập trình viên AI mà vẫn không có nhà máy bán dẫn.
Có thể có data center nhưng thiếu điện.
Có điện nhưng thiếu mô hình ngôn ngữ bản địa.
Có mô hình nhưng không có dữ liệu sạch.
Chủ quyền AI vì vậy không phải một sản phẩm để mua. Nó là một hệ sinh thái phải được xây từng lớp.
Chuyên gia lạc quan, người bình thường thì đứng xa nhìn
Khi được hỏi về tác động của AI đối với công việc, 73% chuyên gia dự đoán ảnh hưởng tích cực.
Trong công chúng, chỉ 23% đồng ý.
Khoảng cách là 50 điểm phần trăm.
Chuyên gia nhìn thấy năng suất, khám phá khoa học và những công cụ mới.
Người lao động nhìn thấy email cắt giảm nhân sự.
Cả hai đều không hoàn toàn sai.
Niềm tin vào khả năng quản lý AI của chính phủ cũng phân mảnh mạnh. Trong các quốc gia được khảo sát, người dân Hoa Kỳ thể hiện mức tin tưởng thấp nhất vào chính phủ của mình trong việc điều tiết AI, khoảng 31%. Trên phạm vi toàn cầu, Liên minh châu Âu được tin tưởng về năng lực quản lý AI cao hơn Hoa Kỳ hoặc Trung Quốc.
Điều này cho thấy cuộc tranh luận AI không chỉ là cuộc tranh luận về công nghệ.
Nó là cuộc tranh luận về quyền lực:
- Ai xây dựng hệ thống?
- Ai cung cấp dữ liệu?
- Ai được hưởng lợi?
- Ai mất việc?
- Ai chịu trách nhiệm khi có lỗi?
- Ai có quyền tắt hệ thống?
- Và ai được quyền quyết định thế nào là an toàn?
Điều AI Index 2026 thực sự muốn nói
Báo cáo có hàng trăm biểu đồ, hàng nghìn con số và đủ dữ liệu để mỗi bên chọn vài dòng củng cố quan điểm của mình.
Người lạc quan có thể nói:
- AI đang tiến bộ rất nhanh.
- Năng suất đang tăng.
- Khoa học và y tế đang được hỗ trợ.
- Open source đang phát triển.
- Người dùng nhận được giá trị lớn.
Người lo lắng cũng có thể nói:
- Việc làm cấp đầu vào đang suy giảm.
- Sự cố AI đang tăng.
- Mô hình ngày càng thiếu minh bạch.
- Hạ tầng tập trung vào một số công ty và quốc gia.
- Điện, nước và khí thải tiếp tục tăng.
- Trường học và pháp luật đang theo không kịp.
Cả hai bên đều có dữ liệu.
Bởi vì AI không đi theo một hướng duy nhất.
Nó vừa mở rộng cơ hội, vừa tập trung quyền lực.
Vừa làm con người nhanh hơn, vừa có thể lấy mất những công việc giúp con người trưởng thành.
Vừa hỗ trợ bác sĩ, vừa thiếu bằng chứng lâm sàng đủ mạnh.
Vừa đạt huy chương vàng toán học, vừa nhìn nhầm đồng hồ treo tường.
Vấn đề lớn nhất không còn là AI có đủ thông minh hay không.
Vấn đề là những hệ thống bao quanh nó có đủ trưởng thành hay không.
Doanh nghiệp nên làm gì sau khi đọc báo cáo này?
Không phải doanh nghiệp nào cũng cần xây foundation model.
Nhưng mọi doanh nghiệp nên bắt đầu xây năng lực hấp thụ AI.
Đừng chỉ đo số lượng chatbot
Một công ty có 50 chatbot chưa chắc trưởng thành hơn công ty có ba hệ thống AI hoạt động ổn định.
Nên đo những thứ gần với kết quả thật:
- Bao nhiêu phút lao động được tiết kiệm?
- Tỷ lệ lỗi trước và sau khi dùng AI?
- Bao nhiêu kết quả phải sửa lại?
- Khi AI sai, ai phát hiện?
- Dữ liệu nào đã đi qua hệ thống?
- Chi phí trên mỗi tác vụ hoàn thành?
- Người mới có đang học được nghề hay chỉ bấm nút?
Thiết kế hệ thống cho trường hợp AI thất bại
Đừng hỏi chỉ rằng AI làm được bao nhiêu phần trăm.
Hãy hỏi 10% còn lại nguy hiểm đến đâu.
Một hệ thống gợi ý bài hát sai 10% có thể chấp nhận được.
Một hệ thống duyệt đơn thuốc sai 1% có thể đã quá nguy hiểm.
Cùng là độ chính xác 99%, nhưng hậu quả của 1% còn lại hoàn toàn khác nhau.
Giữ con người trong vòng kiểm soát đúng chỗ
Human-in-the-loop không có nghĩa là bắt một người ngồi nhìn từng token chạy qua màn hình.
Con người nên tham gia ở những điểm có giá trị:
- Xác nhận quyết định rủi ro cao.
- Kiểm tra mẫu.
- Xử lý ngoại lệ.
- Điều tra sự cố.
- Cập nhật chính sách.
- Chịu trách nhiệm cuối cùng.
Đầu tư vào dữ liệu trước khi mua thêm mô hình
Báo cáo cho thấy chất lượng dữ liệu, loại trùng, chọn lọc và thiết kế dữ liệu huấn luyện có thể tạo ra cải thiện rất lớn.
Một mô hình nhỏ với dữ liệu sạch đôi khi có thể cạnh tranh với mô hình lớn hơn nhiều.
Mua model mạnh rồi đổ dữ liệu lộn xộn vào giống như thuê một đầu bếp Michelin nhưng đưa cho họ rổ rau úa, ba chai nước mắm giả và bảo nấu tiệc cưới.
Đầu bếp vẫn có thể nấu.
Nhưng đừng mong phép màu.
Tổng kết
AI Index Report 2026 không kể câu chuyện về một cỗ máy đang dần trở thành con người.
Nó kể câu chuyện về con người đang xây một hệ thống lớn đến mức chính mình chưa kịp hiểu hết.
Mỗi câu hỏi gửi đến AI đều có một cái bóng vật lý: chip nóng lên, quạt quay, nước chảy, điện truyền qua dây đồng và dữ liệu lao qua những sợi cáp nằm dưới biển sâu.
Mỗi cải thiện năng suất cũng có một cái bóng xã hội: công việc thay đổi, người mới khó bước vào nghề, trường học phải viết lại bài kiểm tra và chính phủ phải học cách điều tiết một thứ phát triển nhanh hơn luật.
AI không còn là câu chuyện của riêng phòng nghiên cứu.
Nó đã đi vào lớp học, bệnh viện, văn phòng, nhà máy, trung tâm dữ liệu và cả bàn ăn gia đình.
Câu hỏi bây giờ không phải là chúng ta có sử dụng AI hay không.
Câu hỏi là chúng ta sẽ xây những gì xung quanh nó để sức mạnh ấy không chạy nhanh hơn khả năng chịu trách nhiệm của con người.
Cảm ơn các bạn đã quan tâm và theo dõi bài viết, hẹn gặp lại ở các bài viết tiếp theo.
Bình luận