Kinh tế học đơn giản về cuộc chiến AI mã nguồn mở và đóng

Mỹ | Công nghệ | Ý kiến | Văn hóa | Biểu đồ

Hôm nay, chúng tôi rất vui mừng được chia sẻ một bài viết của tác giả khách mời Christian Catalini. Để xem thêm các tác phẩm của ông, hãy đăng ký Substack của ông. — Danco

Vào tháng 5 năm 1851, hàng triệu người đã đi dọc các hành lang của một tòa nhà bằng kính để xem trước tương lai. Triển lãm Great Exhibition đã tập hợp những thành tựu tốt nhất mà thế giới đang mày mò vào thời điểm đó, bao gồm máy hơi nước, điện báo, máy gặt và bồn cầu xả nước. Bất kỳ ai cũng có thể tiếp cận công nghệ để cố gắng kỹ thuật đảo ngược (reverse engineer) nó, và các quốc gia đã cử những kỹ sư giỏi nhất của mình đến để chắt lọc nhiều nhất có thể từ các đối thủ. Nhà bảo trợ của triển lãm, Hoàng tử Albert, là người tin tưởng mạnh mẽ rằng sự lan tỏa (diffusion) là yếu tố then chốt để thúc đẩy tiến bộ kinh tế.

Một thế kỷ rưỡi sau, nhà kinh tế học Petra Moser đã biến các danh mục triển lãm và gần 15.000 phát minh từ hội chợ này cùng sự kiện tiếp nối tại Mỹ năm 1876 thành một bộ dữ liệu. Điều quan trọng là các phát minh này đến từ cả những quốc gia có và không có bảo hộ bằng sáng chế. Những gì bà tìm thấy đã khiến những người bảo vệ nhiệt thành nhất của quyền sở hữu trí tuệ mạnh mẽ phải bất an: hệ thống bằng sáng chế không có tác dụng đối với mức độ đổi mới, mà chỉ ảnh hưởng đến việc các nhà phát minh tập trung sự chú ý vào đâu. Vào thời điểm đó, Thụy Sĩ không có bảo hộ bằng sáng chế, vì vậy các nhà đổi mới đã tập trung vào các lĩnh vực như thiết bị khoa học và thực phẩm (Nestlé được thành lập ở đó vào năm 1866), nơi mà sự bí mật, thời gian dẫn đầu (lead time) và các tài sản bổ trợ mang lại cho họ đủ lợi thế. Dưới các chế độ sở hữu trí tuệ (IP) mạnh, sự đổi mới lan tỏa rộng rãi hơn. Tổng lượng đổi mới là như nhau, chỉ là được phân bổ khác nhau giữa các lĩnh vực.

Căng thẳng tương tự hiện đang nằm ở trung tâm của cuộc chiến giữa các mô hình AI mã nguồn đóng (closed-weights) và mã nguồn mở (open-weights). Anthropic và OpenAI lập luận rằng các "cuộc tấn công chưng cất" (distillation attacks) từ các công ty Trung Quốc đe dọa cả khả năng tài trợ cho thế hệ mô hình tiếp theo của ngành công nghiệp lẫn an ninh quốc gia Mỹ. Những người ủng hộ mã nguồn mở phản bác rằng sự lan tỏa là yếu tố cần thiết cho một thị trường trí tuệ máy móc cạnh tranh và sáng tạo.

Nhưng bằng chứng của Moser cho thấy cuộc tranh luận đang tập trung vào sai biên độ. Mã nguồn mở khó có thể thay đổi mức độ đầu tư vào AI, mà chỉ thay đổi hướng đi của nó: cái gì được xây dựng, ai xây dựng nó và ai thu lợi nhuận. Các phòng thí nghiệm đóng có thể tiếp tục đẩy mạnh biên giới tổng quát nhất, trong khi mã nguồn mở cho phép thử nghiệm lan tỏa khắp các công ty và lĩnh vực có thể kết hợp trí tuệ máy móc với dữ liệu khan hiếm, khả năng phân phối và tri thức ẩn (tacit knowledge). Vấn đề phân bổ tương tự cũng định hình khía cạnh an toàn. Câu hỏi phù hợp không phải là liệu sự cởi mở có nguy hiểm về mặt lý thuyết hay không, mà là khi nào sự lan tỏa củng cố những người phòng thủ và nơi nào các năng lực gây hại thực sự có thể bị hạn chế.

Lập luận kinh tế chống lại mã nguồn mở rất đơn giản: chưng cất (distillation) là hành vi đánh cắp sở hữu trí tuệ và làm xói mòn động lực đổi mới. Nếu chính phủ Hoa Kỳ không can thiệp và sử dụng mọi công cụ sẵn có để ngăn chặn điều đó, thì không chỉ các phòng thí nghiệm Mỹ không thể tài trợ cho các đợt huấn luyện lớn tiếp theo của họ, mà Trung Quốc sẽ "đi nhờ" trên sự tiến bộ của chúng ta và chiếm ưu thế. Theo thế giới quan này, mã nguồn mở là hành động đi ngược lại sự phát triển (decelerationist).

Lập luận phản bác dựa vào việc tập trung vào cách các công nghệ đa năng (general-purpose technologies) lan tỏa trong nền kinh tế theo lịch sử, và kết luận rằng mã nguồn mở không chỉ mang tính cạnh tranh và thúc đẩy tăng trưởng (accelerationist), mà nếu không có chúng, Hoa Kỳ sẽ nhanh chóng tụt hậu. Sự cởi mở và thử nghiệm là cách chúng ta dẫn đầu trong kỷ nguyên internet, và lần này cũng không khác biệt.

Các mối lo ngại về an toàn làm cho cuộc thảo luận trở nên phức tạp hơn. Dario Amodei đã thực hiện một chiến dịch kéo dài nhiều năm chống lại mã nguồn mở với lý do rằng chúng khiến chúng ta trở nên cực kỳ mất an toàn. Ông tin rằng một khi vượt qua một ngưỡng trí tuệ nhất định, xã hội sẽ không thể tự bảo vệ mình trước những tác nhân xấu, và các mô hình "tự tung tự tác" (rogue models) sẽ gây ra thiệt hại tiềm tàng mang tính hiện sinh. Chỉ bằng cách kiểm soát quyền truy cập và áp đặt các rào chắn (guardrails), quốc gia của những "thiên tài trong trung tâm dữ liệu" mới có thể tồn tại. Nhưng tình hình còn tồi tệ hơn: vì mã nguồn mở không thể bị "thu hồi", chúng ta có thể đột nhiên rơi vào kịch bản ngày tận thế mà không có nhiều cảnh báo hay phương án cứu vãn.

Những người phản đối Amodei chỉ ra rằng nếu không có mã nguồn mở, thị trường trí tuệ sẽ nhanh chóng trở nên cực kỳ tập trung, và việc các động lực kinh doanh của Anthropic tình cờ hoàn toàn phù hợp với cả mục tiêu an toàn AI lẫn các mối quan ngại về an ninh quốc gia Mỹ là điều khá thuận tiện cho họ. Các nhà nghiên cứu bảo mật cũng thường xuyên bẻ khóa (jailbreak) các biện pháp bảo vệ trên các mô hình đóng, và các mô hình của Anthropic và OpenAI đã được tin tặc sử dụng rộng rãi, bao gồm cả việc xâm nhập vào cơ sở hạ tầng chính phủ nhạy cảm. Trong khi các mô hình đóng có thể mang lại cho chúng ta ảo giác về sự an toàn, họ lập luận rằng tốt nhất chúng chỉ có thể mua cho chúng ta ảo giác về thời gian.

Mỗi bên đều có những lo ngại riêng về việc những hành động sai lầm ngày hôm nay sẽ khiến chúng ta gặp rắc rối không thể cứu vãn. Và cả hai bên đều thực sự tin rằng cách tiếp cận của họ là cách duy nhất để giữ cho chúng ta an toàn (hoặc an toàn nhất có thể trong thực tế). May mắn thay, kinh tế học không trung thành với bên nào cả.

Anthropic và OpenAI đã bị nhắm mục tiêu rộng rãi bởi các phòng thí nghiệm khác đang cố gắng bắt kịp biên giới công nghệ. Anthropic thậm chí đã công khai yêu cầu Quốc hội xử lý Alibaba vì những gì họ gọi là các cuộc tấn công trắng trợn và bất hợp pháp nhằm đánh cắp công nghệ của mình. Làm thế nào các phòng thí nghiệm Mỹ có thể tiếp tục tài trợ cho các đợt huấn luyện cần thiết nếu các phòng thí nghiệm Trung Quốc có thể, bằng cách này hay cách khác, sao chép hiệu suất mô hình của họ trong vòng vài tháng với chi phí rẻ?

Thách thức với yêu cầu của Anthropic là, ngoài các tài khoản gian lận và việc lạm dụng hệ thống API của họ, chế độ chiếm hữu giống như bằng sáng chế mà họ mong muốn chưa bao giờ tồn tại. Chưng cất là một thực tiễn kinh doanh hợp pháp và khác với loại hình gián điệp và đánh cắp bí mật thương mại mà các nhà thầu quốc phòng, hàng không vũ trụ và chip của Mỹ từng phải đối mặt trong quá khứ. Các phòng thí nghiệm Trung Quốc không "ăn cắp vặt" các trọng số (weights) bí mật của các phòng thí nghiệm; họ đang sử dụng các mô hình Mỹ làm "giáo viên" cho mô hình của chính họ.

Đầu ra (outputs) không được bảo hộ bản quyền, và các phòng thí nghiệm AI thường gán quyền sở hữu chúng cho khách hàng. Điều khoản dịch vụ vẫn có thể cấm khách hàng sử dụng các đầu ra đó để huấn luyện các mô hình cạnh tranh. Nhưng điều đó đặt ra một câu hỏi hiển nhiên: nếu công nghệ tiên tiến đến vậy, tại sao các phòng thí nghiệm không thể sử dụng nó để ngăn chặn việc chưng cất? Câu trả lời là cả nội dung lẫn nguồn gốc đều không làm lộ diện cuộc tấn công. Mỗi yêu cầu riêng lẻ trông giống như công việc của những khách hàng hợp pháp, và một chiến dịch có tổ chức có thể phân tán khối lượng yêu cầu qua các tài khoản ảo, các đơn vị tổng hợp và các khu vực pháp lý khác nhau. Nếu không có những rào cản gây khó khăn hơn cho tất cả mọi người, việc thực thi trở thành một trò chơi cấm các tài khoản vốn có thể dễ dàng thay thế. Sự đánh đổi này đã thấy rõ với Fable, nơi các hạn chế về việc hỗ trợ R&D AI tiên phong đã khiến khách hàng thất vọng đến mức Anthropic phải điều chỉnh chúng chỉ trong vài ngày. Các biện pháp kiểm soát chống gian lận đủ mạnh để tạo ra sự khác biệt chắc chắn sẽ ảnh hưởng đến phạm vi công việc hợp pháp rộng lớn hơn nhiều. Về lâu dài, việc ngăn cản khách hàng huấn luyện trên các đầu ra mà họ đã trả tiền là một đề xuất kinh doanh thất bại: thắt chặt các hạn chế quá mức, người dùng quyền lực (power users) sẽ chuyển sang các mô hình mã nguồn mở.

Cuối cùng, việc coi kỹ thuật chịu trách nhiệm cho một phần đáng kể tiến bộ AI trong thập kỷ qua là bất hợp pháp sẽ đặt các phòng thí nghiệm hàng đầu vào tình thế rất khó khăn, vì ngày nay họ dựa vào các lập luận sử dụng hợp lý (fair use) rộng rãi cho việc tự chưng cất lượng lớn tài liệu internet, phương tiện truyền thông và sách.

Nhưng nếu chúng ta tạm gác lại sự hoài nghi, liệu việc các mô hình AI hàng đầu có thể đóng vai trò là giáo viên để cải thiện các mô hình kém hơn có gây hại cho AI của Mỹ không? Nếu chính phủ có thể sử dụng quyền lực mềm, chính sách và các đòn bẩy ngoại giao để thực thi điều đó, liệu chúng ta có thực sự muốn điều đó không?

Cả Richard Nelson vào năm 1959 và người đoạt giải Nobel Kenneth Arrow vào năm 1962 đều đã vật lộn với một phiên bản của chính vấn đề này. Tri thức là không cạnh tranh (non-rival): việc tôi sử dụng một ý tưởng không ngăn cản bạn làm điều tương tự. Một khi đã được chia sẻ, các ý tưởng cũng không thể loại trừ (non-excludable). Kết quả là, giá trị xã hội của một ý tưởng vượt quá những gì người phát minh ra nó có thể thu lại, dẫn đến mối lo ngại kinh điển rằng một số loại ý tưởng sẽ không bao giờ được khám phá và tài trợ đúng mức ngay từ đầu.

Các trọng số mô hình (model weights), ít nhất là khi không có bất kỳ phần mềm bổ sung nào xung quanh chúng, hoạt động rất giống các ý tưởng.

Đối với xã hội, vấn đề cuối cùng quy về một sự căng thẳng liên thời gian đơn giản: một khi một ý tưởng đã xuất hiện, xã hội muốn nó được lan tỏa rộng rãi nhất có thể. Xét cho cùng, chi phí biên của nó, giống như chi phí tải xuống trọng số của một mô hình, gần bằng không. Nhưng trước khi nó được tìm ra, xã hội cần ai đó thực sự tin rằng họ sẽ có thể chiếm hữu được lợi nhuận đáng kể và thu hồi chi phí R&D của mình.

Joseph Schumpeter đã đấu tranh với mâu thuẫn này suốt cuộc đời mình, dao động giữa giá trị của lợi nhuận độc quyền để khuyến khích các khoản đầu tư ban đầu, và nhu cầu về các công ty khởi nghiệp cùng sự hủy diệt sáng tạo (creative destruction) để xóa bỏ độc quyền và thúc đẩy tăng trưởng mạnh mẽ sau đó. Cuối cùng, ông kết luận rằng điều tốt nhất xã hội có thể làm là hơi "tâm thần phân liệt": cấp một đặc quyền độc quyền tạm thời, và sau đó để nó tự do phát triển.

Mọi thứ kể từ đó trong kinh tế học về đổi mới về cơ bản là một cuộc tranh luận bất tận về việc sự độc quyền đó nên tạm thời đến mức nào, và cái gì, nếu có, nên thực thi nó. Nhưng có một điểm quan trọng có thể làm nghiêng cán cân đáng kể về phía mở so với đóng.

Hầu hết, nếu không muốn nói là tất cả, sự đổi mới là kết quả của một hình thức tái kết hợp ý tưởng. Trong các lĩnh vực mà tính tích lũy và khả năng phối lại các công việc trước đây đặc biệt quan trọng, thời hạn và sức mạnh của các quyền được cấp cho những người đi đầu phải được cân nhắc kỹ lưỡng so với các chi phí bổ sung của việc khám phá bị trì hoãn bởi những người theo sau. Các phòng thí nghiệm AI hàng đầu, dù có nguồn lực tốt đến đâu, cũng chỉ có thể theo đuổi một số lượng hạn chế các con đường đầy hứa hẹn, và điều này cũng áp dụng cho an toàn AI.

AI luôn là thành quả của sự chưng cất nhanh chóng: các mô hình tuyệt vời ngày nay là món quà từ nhiều thập kỷ nghiên cứu học thuật về mạng thần kinh trong "mùa đông AI" cũng như từ việc Google công bố kiến trúc transformer. Theo góc độ đó, các mô hình mã nguồn mở đóng vai trò là học viên của các mô hình đóng là sự tiếp nối trực tiếp của dòng dõi đó. Đầu ra của mô hình là một đầu vào nghiên cứu quan trọng để hệ sinh thái tiến bộ.

Thí nghiệm tự nhiên rõ ràng nhất về việc hạn chế quyền truy cập vào các đầu vào R&D ảnh hưởng đến sự đổi mới như thế nào đến từ một cuộc đua khác: cuộc đua giữa Celera vì lợi nhuận và Dự án Bản đồ Gen Người (Human Genome Project) được nhà nước tài trợ để giải trình tự DNA của chúng ta. Khi Celera là đơn vị đầu tiên giải trình tự một gen, họ đã hạn chế quyền truy cập thông qua phí, giới hạn phân phối lại và các yêu cầu cấp phép cho mục đích thương mại. Heidi Williams phát hiện ra rằng các gen này thu hút ít hơn 20 đến 30 phần trăm nghiên cứu tiếp nối và phát triển sản phẩm so với các gen tương đương đã được công khai ngay từ đầu. Mặc dù các hạn chế chỉ tồn tại trong thời gian ngắn và biến mất trong vòng hai năm khi dự án công lập giải trình tự độc lập các gen tương tự, khoảng cách vẫn tồn tại. Mãi đến năm 2009, các gen do Celera giải trình tự vẫn tụt hậu so với các gen khác.

Khi giá trị của công việc tiếp nối cao, ngay cả những ma sát ban đầu nhỏ cũng tích tụ lại. Tương tự, việc loại bỏ ma sát có thể có hậu quả lớn đối với cả tốc độ và hướng đổi mới: khi xem xét vật liệu sinh học, Jeff Furman và Scott Stern đã tìm thấy mức tăng từ 57 đến 135% về tính tích lũy khi các đầu vào được cung cấp dễ dàng hơn. Trong bối cảnh chuột biến đổi gen, Fiona Murray, Philippe Aghion và các đồng tác giả đã nghiên cứu những gì xảy ra khi NIH đàm phán để loại bỏ các hạn chế của DuPont đối với hàng trăm chủng Cre-lox và Onco, chấm dứt các khoản phí bản quyền và báo cáo đã hạn chế quyền truy cập của giới học thuật. Nghiên cứu tiếp nối đã tăng lên. Đáng nói hơn, nó lan tỏa ra: các nhà nghiên cứu mới tham gia và họ khám phá nhiều quỹ đạo mới lạ hơn. Ở thượng nguồn, việc tạo ra các loại chuột kỹ thuật mới không bị ảnh hưởng.

Nhìn chung, bất cứ khi nào lợi ích đối với tính tích lũy và khám phá rộng rãi là cao, sự cởi mở là chiến lược thống trị. Điều này cũng có nghĩa là xã hội được hưởng lợi nhiều nhất từ sự cởi mở khi sự không chắc chắn vẫn còn tương đối cao, như trong AI ngày nay. Khi tất cả những gì còn lại là thực thi theo một quỹ đạo đã biết, thì sự đóng lại ít gây hại hơn nhiều. Và ngay cả trong trường hợp hẹp đó (ví dụ: một phân tử có lợi ích lâm sàng đã được hiểu rõ và hiện cần được thương mại hóa), xã hội chỉ cấp một đặc quyền độc quyền tạm thời để đổi lấy thông tin liên quan. Bản thân bằng sáng chế là công cụ để lan tỏa và tránh việc bí mật thương mại dẫn đến việc không tiết lộ thông tin nào cả.

Bây giờ bạn có thể tự hỏi liệu những ví dụ từ các lĩnh vực nặng về khoa học này có áp dụng cho AI hay không. Xét cho cùng, việc phục vụ các mô hình ở quy mô lớn đòi hỏi đầu tư khổng lồ vào cơ sở hạ tầng, và việc xây dựng đó là nơi chứa đựng hầu hết rủi ro cho các phòng thí nghiệm. Nhưng bài học từ viễn thông hoàn toàn giống như vậy. Năm 1956, một thỏa thuận chống độc quyền đã buộc AT&T phải cấp phép miễn phí bản quyền cho một trong những danh mục bằng sáng chế có giá trị nhất mọi thời đại. Theo đo lường của Martin Watzinger và các đồng tác giả, khi các phát minh của AT&T, bao gồm cả bóng bán dẫn, đột nhiên có sẵn cho người khác xây dựng dựa trên đó, hoạt động sáng tạo đã tăng 17 phần trăm trong năm năm. Thú vị là, hiệu ứng này không được thúc đẩy bởi các công ty lớn khác "đi nhờ" trên sở hữu trí tuệ của AT&T, mà bởi các công ty mới theo đuổi các thị trường hoàn toàn khác biệt. Bell Labs cũng tập trung mạnh vào hoạt động kinh doanh cốt lõi của mình và không bị ngăn cản đổi mới: laser năm 1957, vệ tinh liên lạc năm 1962, Unix năm 1969.

Mặc dù ý tưởng để người khác xây dựng dựa trên ý tưởng của mình có thể gây khó chịu cho Anthropic và OpenAI, tin tốt là với một số lượng rất hạn chế các ngoại lệ, đây chính xác là cách tiến bộ kinh tế hoạt động. William Nordhaus phát hiện ra rằng các nhà đổi mới, trung bình, chỉ chiếm khoảng 2,2% thặng dư xã hội mà họ mang lại cho thế giới. AI cũng không ngoại lệ. Nhưng điều này cũng đặt yêu cầu của Anthropic đối với chính phủ Mỹ vào đúng bối cảnh: xã hội không nợ các phòng thí nghiệm một chế độ chiếm hữu mạnh mẽ hơn. Hóa ra, đã có một chế độ khác đang tồn tại.

Khi một công nghệ đa năng mới ra đời, ban đầu nó phải được trang bị lại một cách cưỡng ép vào hệ thống hiện có. Những "giải pháp điểm" ban đầu này chỉ hiện thực hóa một phần giá trị của mô hình mới, và chỉ khi kiến trúc có thể được thiết kế lại từ các nguyên tắc cơ bản thì công nghệ mới thực sự trở nên mang tính chuyển đổi.

Việc tái cấu trúc đòi hỏi sự kiểm soát và thích ứng với các tài sản bổ trợ chính, bao gồm cơ sở hạ tầng, niềm tin, khả năng tiếp cận phân phối và mối quan hệ với các cơ quan quản lý. Điều này mang lại cho những người đương nhiệm cơ hội thứ hai: trong khi những người mới tham gia có thể đã khiến họ ngạc nhiên và đổi mới vượt trội cho đến thời điểm này, khi sự phụ thuộc vào các tài sản bổ trợ trở thành chức năng giới hạn, họ có thể bắt chước hoặc mua lại, bắt kịp và bảo vệ vị thế của mình.

Vào những năm 1980, Richard Levin và các đồng nghiệp tại Yale đã hỏi các giám đốc điều hành trong các lĩnh vực đổi mới trên khắp nước Mỹ một câu hỏi cơ bản: điều gì bảo vệ các khoản đặt cược R&D của bạn? Bằng sáng chế xếp hạng cuối cùng. Đứng đầu? Học tập, bí mật, thời gian dẫn đầu và tài sản bổ trợ. Nghiên cứu được lặp lại một thập kỷ sau đó: câu trả lời vẫn vậy. Các ngoại lệ? Dược phẩm và hóa chất, các lĩnh vực mà một phân tử cụ thể có thể xác định toàn bộ một loại sản phẩm, và sự độc quyền hẹp có tác dụng thực sự. Nhưng đại đa số nền kinh tế vận hành dựa trên khả năng hạn chế người khác tiếp cận các ý tưởng cơ bản một cách hạn chế.

Bất cứ khi nào khả năng chiếm hữu yếu, vẫn có những khoản lợi nhuận đáng kể để kiếm được; chúng chỉ chảy vào túi bất cứ ai kiểm soát các yếu tố bổ trợ cho những gì đột nhiên trở nên tốt hơn, rẻ hơn, nhanh hơn. Một ví dụ kinh điển là hãng thu âm EMI của nhóm Beatles, vốn kiêm nhiệm là một công ty điện tử và đã cấp bằng sáng chế cho máy quét CT đầu tiên. Kỹ sư hàng đầu của hãng, Godfrey Hounsfield, đã nhận giải Nobel cho nó. EMI không thu được giá trị nào. Trong vòng vài năm, nó đã bị mua lại, và thị trường CT nằm trong tay GE và Siemens. Tài sản bổ trợ của GE? Mạng lưới phân phối và dịch vụ bệnh viện, "dặm cuối" để các máy quét thực sự tiếp cận được thị trường.

AI được sinh ra ở phía yếu của thang đo khả năng chiếm hữu. Bất chấp sự cạnh tranh khốc liệt trong cuộc đua tới ASI, các hiểu biết nghiên cứu thường xuyên rời khỏi phạm vi của các phòng thí nghiệm, nhân tài luân chuyển giữa các công ty liên tục theo truyền thống Thung lũng Silicon, và các API của mô hình chắc chắn sẽ làm rò rỉ thông tin có giá trị. Trên tất cả các vectơ này, ngay cả các biện pháp đối phó hà khắc nhất cũng chỉ mua cho các phòng thí nghiệm tiên phong thêm một chút thời gian dẫn đầu. Hơn nữa, chúng sẽ phản tác dụng thảm hại nếu xét đến đòn bẩy mà nhân tài hàng đầu và các khách hàng doanh nghiệp lớn có trong giai đoạn này.

Tất nhiên, không phải tất cả công thức bí mật của một phòng thí nghiệm đều lọt vào phạm vi công cộng. Theo Epoch AI, các đợt huấn luyện cuối cùng chỉ chiếm 10% đến 23% tổng chi phí tính toán, và các phòng thí nghiệm đang tích lũy tri thức ẩn có ý nghĩa thông qua việc thu thập và quản lý dữ liệu, thiết kế và tối ưu hóa cơ sở hạ tầng, cũng như học hỏi từ các thí nghiệm và quỹ đạo thất bại. Nhưng bài học vẫn như cũ: nếu các phòng thí nghiệm không thể nhanh chóng nắm bắt các tài sản bổ trợ chính cần thiết để mở rộng quy mô AI trên thị trường, giá trị sẽ tích tụ ở nơi khác.

Điều này giải thích tại sao các phòng thí nghiệm AI đã cố gắng tăng sự ràng buộc khách hàng bằng cách kết hợp chặt chẽ các mô hình và công cụ hỗ trợ, đồng thời mở rộng xuống lớp ứng dụng với các công cụ như Claude Cowork, Claude Tag và tính năng sử dụng máy tính của ChatGPT. Những công cụ này không chỉ thu thập các dấu vết có ý nghĩa để sao chép kỹ năng, quyết định và phán đoán của con người, mà còn khuếch đại giá trị mà khách hàng nhận được từ việc cam kết tất cả các tương tác và ký ức của họ vào cùng một dòng sản phẩm thay vì sử dụng đa nền tảng. Nếu bạn có thể là điểm truy cập cho tất cả các nhu cầu AI của khách hàng, có rất nhiều cách để bạn phát triển trải nghiệm đó trở nên "dính" hơn, ngay cả khi trí tuệ cơ bản đã trở thành hàng hóa phổ thông.