AI mã nguồn mở đang bước vào 'thời khắc Kubernetes': Tại sao Mỹ không nên tự đóng cửa

Các mô hình có trọng số mở (open-weight models) đang trở thành nền tảng cho hệ sinh thái AI tiếp theo. Mỹ nên cạnh tranh trong đó thay vì tự xây tường ngăn cách chính mình.

Tôi đã từng chứng kiến một phiên bản của câu chuyện này trước đây.

Năm 2013, tôi đồng sáng lập Mesosphere, một công ty phần mềm mã nguồn mở chuyên về cloud-native. Chúng tôi xây dựng dựa trên Apache Mesos, dự án mà người đồng sáng lập Ben Hindman của tôi đã góp phần tạo ra tại UC Berkeley. Sau đó, chúng tôi phát triển DC/OS (Data Center Operating System) xoay quanh Mesos, phát hành dưới dạng mã nguồn mở và thương mại hóa thông qua bản phân phối doanh nghiệp với các tính năng độc quyền và dịch vụ hỗ trợ.

Sau vài năm tăng trưởng mạnh mẽ, Kubernetes đã thay thế chúng tôi. Nó mới hơn, hoàn toàn là mã nguồn mở và nhanh chóng thu hút cộng đồng cloud-native. Nhiều kỹ sư hạ tầng và hệ thống phân tán giỏi nhất thế giới đã đặt cược sự nghiệp của họ vào đó, và ngay cả một số thành viên trung thành nhất trong cộng đồng của chúng tôi cũng đã "đổi ngựa giữa dòng".

Khi điều đó xảy ra, sự đổi mới đã chuyển sang Kubernetes. Bất cứ thứ gì nền tảng này còn thiếu, đều có người bắt đầu xây dựng: mạng, lưu trữ, khả năng quan sát (observability), công cụ triển khai, công cụ quản lý chính sách. Một lượng lớn các công ty khởi nghiệp đã ra đời và các nhà cung cấp truyền thống cũng tham gia vào. Hầu như mọi thành phần cần thiết để vận hành Kubernetes trong môi trường thực tế (production) đều có sẵn dưới dạng mã nguồn mở. Các nhà cung cấp đám mây và các công ty bao gồm Mesosphere/D2iQ, Rancher, Red Hat và Nutanix sau đó đã xây dựng mô hình kinh doanh xoay quanh việc tích hợp, các tính năng doanh nghiệp, hỗ trợ và vận hành.

Kubernetes không chiến thắng chỉ vì kho lưu trữ của nó là công khai. Nó đã trở thành một nền tảng trung lập mà các kỹ sư, nhà cung cấp đám mây và nhà cung cấp doanh nghiệp đều có thể mở rộng để đáp ứng nhu cầu của khách hàng. Các giao diện chung và cơ chế quản trị trung lập với nhà cung cấp đã mang lại cho mọi người sự tự tin rằng họ có thể xây dựng trên đó.

Bài học tôi rút ra không phải là mã nguồn mở luôn chiến thắng. Mà là một khi một nền tảng mở mà mọi người có thể tùy chỉnh trở thành trọng tâm của ngành, thì không một nhà cung cấp đơn lẻ nào có thể theo kịp tốc độ đổi mới kết hợp xoay quanh nó.

Tôi nghĩ AI đang tiến gần đến thời điểm tương tự.

Trọng số mở biến một mô hình thành một nền tảng.

Trước hết, một lưu ý về thuật ngữ. Hầu hết các mô hình mà chúng ta gọi một cách thông thường là "mã nguồn mở" thì mô tả chính xác hơn là "trọng số mở" (open-weight). Bạn có thể tải xuống và sửa đổi các tham số đã được huấn luyện, nhưng dữ liệu huấn luyện và quy trình huấn luyện hoàn chỉnh thường không được công khai. Điều đó chưa đạt chuẩn định nghĩa về AI mã nguồn mở của Open Source Initiative. Sự khác biệt này rất quan trọng. Tuy nhiên, nó không ngăn cản một hệ sinh thái hình thành xung quanh các sản phẩm mà mọi người có thể chạy và sửa đổi.

Phép so sánh với Kubernetes không hoàn hảo. Những người đóng góp cho Kubernetes có thể kiểm tra và thay đổi mã nguồn thực tế, và các cải tiến có thể được đưa ngược lại vào một dự án thượng nguồn (upstream) chung. Việc tinh chỉnh mô hình (fine-tune) thường không hoạt động theo cách đó. Các trọng số tiên phong (frontier weights) có thể tải xuống được nhưng vẫn đòi hỏi phần cứng đắt tiền, và không có đơn vị nào tương đương với CNCF trong lĩnh vực AI để cung cấp cơ chế quản trị trung lập và các giao diện chung. Đó là những khác biệt thực sự. Cơ chế chung ở đây là một nền tảng đủ khả năng và linh hoạt có thể thu hút sự đổi mới bổ trợ vượt xa những gì người tạo ra nó có thể tự xây dựng.

Lý do đầu tiên để sử dụng các mô hình trọng số mở là khả năng tự lưu trữ (self-hosting). Các công ty muốn kiểm soát dữ liệu của họ. Họ muốn chạy các mô hình trên đám mây hoặc trung tâm dữ liệu của riêng mình. Và khi chi phí sử dụng và suy luận (inference) tăng lên, họ ngày càng muốn kiểm soát cả chi phí.

Nhu cầu đó đã tạo ra một hệ sinh thái phục vụ mã nguồn mở lành mạnh: vLLM, SGLang, llama.cpp, Ollama, MLX và những công cụ khác.

Nhưng tự lưu trữ chỉ là sự khởi đầu. Trọng số mở biến chính mô hình thành thứ mà các nhà phát triển có thể điều chỉnh và phân phối lại. Hugging Face hiện lưu trữ hơn hai triệu mô hình công khai. Xoay quanh các dòng mô hình phổ biến như Qwen và Gemma, các nhà phát triển tạo ra:

Cho đến gần đây, rất dễ để bác bỏ hoạt động này ở cấp độ tiên phong. Các mô hình mở rất hữu ích, nhưng các mô hình cơ sở vẫn chưa đủ tốt cho các tác vụ lập trình và tác vụ đại lý (agentic tasks) khó nhất. Khoảng cách đó đang thu hẹp nhanh chóng. Z.ai đã phát hành GLM-5.2 với trọng số công khai theo giấy phép MIT. Báo cáo đánh giá của chính họ cho thấy đạt 62,1% trên SWE-bench Pro so với 58,6% của GPT-5.5, mặc dù kết quả thay đổi tùy theo các bộ tiêu chuẩn đánh giá và các bộ công cụ đại lý.

Moonshot cho biết Kimi K3 đang tiến gần đến ngưỡng tiên phong đóng trong các tác vụ lập trình dài hạn và đã hứa sẽ công bố trọng số của nó vào ngày 27 tháng 7. Artificial Analysis ủng hộ tuyên bố về hiệu suất này, xếp hạng nó ngang hàng với Opus 4.8 và GPT-5.5 trong đánh giá độc lập của họ.

Một khi mô hình cơ sở đủ tốt, hệ sinh thái có thể cộng hưởng. Tôi kỳ vọng các dự án mới xoay quanh thời gian chạy đại lý (agent runtimes), bộ công cụ lập trình, môi trường sandbox, đánh giá, khả năng quan sát và các tinh chỉnh chuyên biệt. Cùng với nhau, chúng có thể trở thành một bộ công cụ cấp độ sản xuất: một mô hình trọng số mở chạy trên phần mềm mã nguồn mở, có thể tùy chỉnh cho khối lượng công việc, phần cứng và kinh tế của một nhóm.

Liệu bộ công cụ đó có đánh bại mọi mô hình đóng trên mọi tiêu chuẩn đánh giá không? Có lẽ là không. Nhưng tôi sẽ không đặt cược vào việc bất kỳ nhà cung cấp đơn lẻ nào có thể đổi mới vượt trội hơn cả hệ sinh thái mở kết hợp theo thời gian. Công nghệ tiên phong là một cuộc chiến nhân tài, và các hệ sinh thái mở mang lại cho những người tài năng ở khắp mọi nơi lý do để xây dựng trên cùng một nền tảng.

Cấm các mô hình Trung Quốc sẽ là một "bàn thắng phản lưới nhà".

Điều này đưa chúng ta đến cuộc tranh luận hiện tại ở Washington. Sau khi Kimi K3 và các mô hình có năng lực khác của Trung Quốc được phát hành, chính quyền Trump được cho là đang xem xét các hạn chế đối với các mô hình trọng số mở của Trung Quốc. Hình thức chính xác của một lệnh cấm tiềm năng vẫn chưa rõ ràng.

Một lệnh cấm rộng rãi đối với các nhà nghiên cứu và công ty Mỹ sử dụng các mô hình trọng số mở của Trung Quốc sẽ dẫn đến một kết quả hoàn toàn khác. Nó sẽ cắt đứt Mỹ khỏi một hệ sinh thái vốn đã thu hút nhiều nhà nghiên cứu và kỹ sư AI giỏi nhất thế giới, bao gồm một số lượng lớn các nhà nghiên cứu Trung Quốc. Phần còn lại của thế giới sẽ tiếp tục xây dựng. Các nhà phát triển Mỹ sẽ là những người bị khóa bên ngoài.

Chúng ta đã thấy động lực này với Qwen. Hugging Face báo cáo rằng các mô hình Trung Quốc chiếm 41% số lượt tải xuống mô hình trong năm qua. Nếu các mô hình nền tảng trọng số mở tốt nhất ngày càng đến từ Trung Quốc, sự đổi mới sẽ tích tụ xung quanh chúng theo cách tương tự như cách nó tích tụ xung quanh Kubernetes.

Mỹ nên cạnh tranh như thế nào?

Mỹ nên cạnh tranh trong hệ sinh thái đó, thay vì rút lui khỏi nó.

Phát hành các mô hình Mỹ đạt chuẩn tiên phong.

Các phòng thí nghiệm của Mỹ cần phát hành các mô hình trọng số mở đạt chuẩn tiên phong theo các giấy phép mà các công ty khởi nghiệp thực sự có thể xây dựng dựa trên đó. Đã có những tiến bộ. Các mô hình Nemotron của NVIDIA có thể sử dụng thương mại theo giấy phép mở của chính NVIDIA. Thinking Machines đã phát hành Inkling theo giấy phép Apache 2.0, tương tự như OpenAI với gpt-oss và Google với Gemma 4. Nhưng các mô hình mạnh nhất của OpenAI và Google vẫn đóng, cũng như các mô hình từ hầu hết các phòng thí nghiệm tiên phong của Mỹ.

Sử dụng mua sắm công để tạo ra một thị trường mở.

Chính phủ nên sử dụng hoạt động mua sắm để tạo ra nhu cầu cho các hệ thống linh hoạt, có khả năng tương tác thay vì sự phụ thuộc vĩnh viễn vào một nhà cung cấp API. Bộ Quốc phòng đã từng làm điều này trước đây. Platform One cung cấp các công cụ mã nguồn mở và các sản phẩm doanh nghiệp mà các chương trình quân sự khác nhau có thể xây dựng dựa trên đó. Cùng một chiến lược đó có thể thúc đẩy sự đổi mới xoay quanh các mô hình trọng số mở.

Xây dựng phần còn lại của hệ sinh thái.

Các công ty Mỹ cần xây dựng phần còn lại của hệ sinh thái. Các công ty khởi nghiệp có thể tùy chỉnh và mở rộng các mô hình, nhúng chúng vào sản phẩm và cung cấp các lớp phục vụ, công cụ, hỗ trợ và vận hành. Các công ty sản xuất chip hàng đầu của chúng ta sẽ tiếp tục cải thiện phần cứng. Các nhà cung cấp đám mây quy mô lớn (hyperscalers) và các nhà cung cấp đám mây mới (neoclouds) có thể phục vụ các mô hình và hệ sinh thái của chúng.

Thiết lập tiêu chuẩn thay vì cấm đoán các mô hình.

An toàn là lập luận mạnh mẽ nhất cho các hạn chế, nhưng một lệnh cấm bao trùm là quá thô bạo và sẽ hy sinh quyền truy cập vào toàn bộ hệ sinh thái. Một cách tiếp cận tốt hơn là kiểm tra độc lập và các tiêu chuẩn cho các mô hình tiên phong. Phép so sánh không hoàn toàn chính xác: Kubernetes kiểm tra tính tương thích, không phải sự an toàn. Nhưng mô hình quản trị là hữu ích. Demis Hassabis đã đề xuất một cơ quan tiêu chuẩn độc lập do Mỹ dẫn đầu theo hướng đó.

Mỹ không nên phản ứng với các mô hình mở của Trung Quốc bằng cách xây tường bao quanh các nhà phát triển của chính mình. Chúng ta nên tự vận hành các mô hình đó, phân tích chúng, đánh giá chúng, cải tiến chúng và xây dựng các giải pháp thay thế tốt hơn của Mỹ. Sau đó, chúng ta nên làm cho hệ sinh thái của Mỹ trở thành hệ sinh thái dễ áp dụng nhất trên thế giới.

Hoa Kỳ đã dành nhiều thập kỷ để thu hút nhân tài kỹ thuật giỏi nhất thế giới và tạo không gian cho họ xây dựng. Việc biến lợi thế đó thành một "khu vườn có tường bao quanh" trong khi phần còn lại của thế giới chuẩn hóa trên một hệ sinh thái mở hơn sẽ là một bàn thắng phản lưới nhà ngoạn mục. Chúng ta sẽ từ bỏ vai trò dẫn đầu về AI của mình một cách tự nguyện.