Tại sao tôi vẫn hoài nghi về LLM dù chúng đã giải được phương trình Navier-Stokes?

[cảm ơn claude fable 5.1, holden saberhagen, gabriel kammer, andres erbsen, alice mckean và tristan wylde-larue vì những bình luận cho bài viết này]

tôi sẽ bắt đầu với một vài luận điểm để người đọc cùng suy ngẫm:

nhìn chung, có vẻ như đối với hầu hết các lĩnh vực, LLM sẽ tiếp tục giống như một thực tập sinh "nửa mùa": nhanh nhạy và hiệu quả khi nằm trong tay một người trưởng thành nhưng không được phép tự tung tự tác. hầu hết các công ty sẽ không thể áp dụng AI hoàn toàn tự động, không phải vì vấn đề kỹ năng hay sự chậm trễ trong phổ biến công nghệ, mà vì những lý do mang tính cấu trúc dường như vốn đã tồn tại trong các kiến trúc hiện nay. số lượng các nhóm công ty có thể chấp nhận việc sử dụng LLM hoàn toàn tự động là rất ít, theo tính toán của tôi chỉ có ba nhóm:

hai nhóm đầu tiên rất nhạy cảm về giá và có thể nói là không cần đến bước nhảy vọt về khả năng suy luận mà bạn thấy khi chuyển từ các mô hình giá rẻ sang các mô hình tiên phong (frontier models). hầu hết các công ty này sẽ được phục vụ tốt nhất bởi các mô hình mở chạy trên phần cứng giá rẻ, thậm chí có thể chạy cục bộ ngay tại nơi sử dụng. đối với nhóm thứ nhất và thứ ba, kiểu tìm kiếm tổ hợp mờ (fuzzy combinatorial search) vốn đã tạo ra những kết quả nổi bật trong nghiên cứu toán học và bảo mật dường như nhạy cảm với quy mô swarm (bầy) tác nhân hơn là năng lực suy luận: hãy xem các mô hình mở nhỏ tái tạo lại các CVE mythos đã thúc đẩy chu kỳ cường điệu vào mùa xuân năm 2026. nếu điều đó thực sự đúng, thì càng có lý do để sử dụng các mô hình mở giá rẻ cho phép bạn chạy cùng một khối lượng công việc với các swarm rộng hơn.

nhóm công ty thứ ba có thể vẫn sử dụng các mô hình tiên phong, mặc dù không hoàn toàn rõ ràng rằng công việc của họ không thể thực hiện được với các mô hình giá rẻ như deepseek v4.1 flash, và lợi thế về quy mô swarm mà tôi giả định ở trên càng khiến họ có thêm lý do để thúc đẩy việc sử dụng các mô hình rẻ hơn. một đặc điểm thú vị khác của các công ty thuộc nhóm này là họ thường rất kín tiếng về IP của mình và có lẽ không mấy vui vẻ khi phải gửi tất cả dữ liệu đó cho anthropic và openai, ngay cả khi đã có các thỏa thuận cam kết không huấn luyện trên dữ liệu người dùng.

bây giờ, bạn có thể cho rằng ngay cả khi các phòng thí nghiệm tiên phong "xong đời", thì kịch bản trung tâm dữ liệu đầy những "bộ não nhỏ" (brainlets) vẫn thúc đẩy lượng tính toán AI nhiều ngang ngửa với kịch bản siêu trí tuệ nhân tạo. sự khác biệt nằm ở chỗ trung tâm dữ liệu đầy những thiên tài thì có khả năng tự vận hành và chỉ bị giới hạn bởi lượng tính toán mà nó có thể tiêu thụ, trong khi các swarm "bộ não nhỏ" sẽ bị thắt nút cổ chai nặng nề bởi những người điều phối con người. cá nhân tôi đặt cược rằng phạm vi ảnh hưởng sẽ vượt xa khỏi các phòng thí nghiệm tiên phong.