Hạ tầng AI bước vào kỷ nguyên tự tiến hóa: Nhóm nghiên cứu Thanh Hoa dùng AI tối ưu hóa AI

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

18-08-2026 11:31:33 Nguồn: QbitAI

ALL IN hệ sinh thái năng lực tính toán nội địa

Wen Le đưa tin từ Aofei Temple

QbitAI | Tài khoản chính thức QbitAI

Trọng tâm của cuộc đua AI đã thay đổi.

Một thuật ngữ bắt đầu xuất hiện với tần suất cao trong các cuộc thảo luận tiên phong: Recursive Self-Improvement (RSI - Tự cải tiến đệ quy).

Thuật ngữ này đề cập đến việc AI tự tối ưu hóa, để AI tự nghiên cứu và phát triển các thế hệ AI mạnh mẽ hơn—

AI bắt đầu tự đặt câu hỏi, thiết kế thử nghiệm, đánh giá kết quả và liên tục cải thiện bản thân dựa trên phản hồi.

Đây được coi là bước tiến lớn tiếp theo sau AI suy luận và Agent, đồng thời là con đường then chốt dẫn đến AGI (Trí tuệ nhân tạo tổng quát).

Lấy OpenAI làm ví dụ, các khả năng liên quan đến RSI của GPT-5.6 đã giúp họ giảm 20% chi phí dịch vụ đầu cuối và tăng hiệu suất tạo Token lên hơn 15%.

Anthropic cũng tiết lộ rằng hơn 80% mã nguồn trong kho lưu trữ của họ được tạo ra một cách tự chủ bởi Claude.

Jeff Dean sau khi rời Google để thành lập Discovery Loop cũng đã dấn thân vào đường đua RSI này. Theo thông tin thị trường mới nhất, định giá của công ty đã chạm mốc 10 tỷ USD.

Việc tối ưu hóa đang được thực hiện chuyên sâu bởi chính AI. Thung lũng Silicon đang sôi sục vì hướng đi này, nhưng Trung Quốc cũng không hề tụt hậu.

Qingmao Intelligence, công ty khởi nghiệp đầu tiên tại Trung Quốc tập trung vào Infra (hạ tầng) tự tiến hóa cho AI, đã có sự chuẩn bị từ trước khi làn sóng RSI này bùng nổ.

Hơn nữa, đội ngũ này đã và đang trả lời một câu hỏi nền tảng hơn:

Mô hình có thể tự tiến hóa, vậy nền tảng năng lực tính toán (compute) hỗ trợ nó phải theo kịp như thế nào? Làm thế nào để chính cơ sở hạ tầng phần mềm cho sự tiến hóa của AI có thể được thuật toán hóa và tự động hóa?

Mô hình đã bước vào giai đoạn tự lặp lại tốc độ cao L4, trong khi năng lực tính toán nội địa vẫn đang ở mức L1 "thủ công"

Câu trả lời của Qingmao bắt đầu từ một sự lệch pha về nhịp độ.

Trong vài năm qua, sự cải thiện về năng lực của các mô hình lớn (Large Models) hầu như đi theo một lộ trình rõ ràng.

Từ trò chuyện, tạo nội dung, đến gọi công cụ, suy luận dài hạn, và ngày càng nhiều các Agent có thể chạy liên tục trong nhiều giờ hoặc lâu hơn, các mô hình đang chuyển dịch từ hỏi-đáp đơn thuần sang thực thi nhiệm vụ một cách tự chủ hơn.

Nếu ví quá trình thông minh hóa này như xe tự lái, có thể nói các mô hình ở tầng trên đã bắt đầu tiến tới khả năng thực thi tự chủ cao cấp kiểu L4.

Thay đổi trực tiếp mà "xe tự lái L4" này mang lại là: mỗi nhiệm vụ đơn lẻ cần xử lý nhiều Token hơn, chuỗi suy luận dài hơn, gọi công cụ phức tạp hơn, điều này đương nhiên đặt ra yêu cầu cao hơn đối với năng lực tính toán ở tầng dưới.

Đồng thời, ngành công nghiệp AI Trung Quốc lại đang đối mặt với một thực tế khác.

Trong bối cảnh nguồn cung chip tiên tiến từ bên ngoài bị hạn chế, ngành công nghiệp AI Trung Quốc ngày càng phụ thuộc vào chip nội địa.

Nhưng vấn đề là, chip nội địa không phải cứ có card là chạy được.

Để một mô hình chạy được trên một con chip, cần phải trải qua hàng loạt công đoạn như thích ứng toán tử (operator adaptation), tối ưu hóa biên dịch, lập lịch bộ nhớ, thích ứng framework, tối ưu hóa suy luận, v.v.

Trong khi đó, hệ sinh thái phần mềm của năng lực tính toán nội địa tương đối phân mảnh; đổi chip là phải thích ứng lại, đổi mô hình lại phải tinh chỉnh lại.

Từ lâu, loại công việc này phụ thuộc rất nhiều vào một số ít kỹ sư kỳ cựu.

Viết tay toán tử, gỡ lỗi tham số, lập kế hoạch bộ nhớ và chiến lược song song... Việc phát triển và tinh chỉnh một toán tử phức tạp thường mất hàng tuần, nhưng có thể nhanh chóng bị đào thải bởi tốc độ lặp lại chóng mặt của mô hình và chip.

Hơn nữa, xét từ tình hình sử dụng thực tế trong ngành, năng lực tính toán nội địa vẫn còn dư địa lớn để giải phóng hiệu suất.

Và thế là một mâu thuẫn mới xuất hiện:

Mô hình ở tầng trên ngày càng trở nên tự chủ, trong khi năng lực tính toán ở tầng dưới vẫn phụ thuộc cao độ vào con người—

Mô hình đã tiến tới L4, nhưng nền tảng năng lực tính toán vẫn cần sự can thiệp thủ công kiểu L1.

Nếu AI thực sự muốn bước vào kỷ nguyên tự tiến hóa liên tục, Infra không thể mãi phụ thuộc vào việc tinh chỉnh thủ công.

Đây chính là hướng đi mà Qingmao Intelligence đã nhắm tới ngay từ khi mới khởi nghiệp:

Xây dựng một bộ cơ sở hạ tầng năng lực tính toán thực sự có khả năng tự lặp lại.

Không còn phụ thuộc vào sự tinh chỉnh thủ công của chuyên gia, cũng không giới hạn ở việc tạo toán tử hay thích ứng biên dịch đơn lẻ, mà để toàn bộ hệ thống tầng dưới cũng bước vào một vòng lặp phản hồi được điều khiển bởi AI.