Cách Google tạo ra nền tảng cho GPT nhưng để OpenAI thắng trong cuộc đua AI

Tổng quan: Google thúc đẩy GPT nhưng để OpenAI nắm lấy ánh hào quang

Google không hẳn là “bỏ lỡ” AI mà chính xác hơn là đã phát minh ra một phần lớn giúp làn sóng hiện tại khả thi — rồi để người khác biến nó thành sản phẩm định nghĩa.

Các nhà nghiên cứu của Google tạo ra kiến trúc Transformer, ý tưởng cốt lõi phía sau các mô hình GPT. Bài báo 2017, “Attention Is All You Need,” cho thấy cách huấn luyện các mô hình rất lớn có khả năng hiểu và tạo ngôn ngữ với độ trôi chảy đáng chú ý. Nếu không có công trình đó, GPT như ta biết có lẽ đã không tồn tại.

Thành tựu của OpenAI không phải là một thuật toán thần kỳ mới. Đó là tập hợp các lựa chọn chiến lược: mở rộng Transformer vượt xa những gì nhiều người cho là khả thi, kết hợp với các lần huấn luyện khổng lồ, rồi đóng gói kết quả thành API dễ dùng và, cuối cùng, ChatGPT — một sản phẩm tiêu dùng khiến AI trở nên hữu hình với hàng trăm triệu người.

Bài viết này nói về những lựa chọn và đánh đổi đó, không phải drama bí mật hay anh hùng/phản diện cá nhân. Nó theo dõi cách văn hoá nghiên cứu và mô hình kinh doanh của Google khiến họ thiên về các mô hình giống BERT và cải tiến tìm kiếm từng bước, trong khi OpenAI theo đuổi một cược rủi ro hơn vào hệ thống sinh tổng quát.

Chúng ta sẽ đi qua:

• Cách Google xây dựng vị thế dẫn đầu AI ban đầu và một tổ chức nghiên cứu hàng đầu thế giới
• Tại sao bài báo Transformer là bước đột phá — và nó thực sự thay đổi gì
• Cách OpenAI biến nền tảng đó thành GPT và ChatGPT
• Các chiến lược phân kỳ: BERT và search ở Google so với GPT quy mô lớn và API ở OpenAI
• “Khoảnh khắc ChatGPT,” khi OpenAI thực thi vượt Google trên mặt công chúng
• Sự khác biệt văn hoá và động lực đã định hình quyết định của hai công ty
• Việc Google reset với Bard và Gemini
• Bài học cụ thể dành cho những người xây dựng để không lặp lại sai lầm của Google

Nếu bạn quan tâm đến chiến lược AI — cách nghiên cứu biến thành sản phẩm, và sản phẩm thành lợi thế bền vững — câu chuyện này là một nghiên cứu về thứ quan trọng hơn một bài báo hay: đó là có cược rõ ràng và can đảm để tung sản phẩm.

Vị thế dẫn đầu AI ban đầu của Google và văn hoá nghiên cứu

Google bước vào học máy hiện đại với hai lợi thế cơ cấu khổng lồ: dữ liệu ở quy mô khó tưởng tượng và văn hoá kỹ thuật đã tối ưu cho hệ thống phân tán lớn. Khi họ hướng máy móc đó vào AI, Google nhanh chóng trở thành trung tâm hấp dẫn của lĩnh vực.

Từ Google Brain đến DeepMind

Google Brain bắt đầu như một dự án bên lề khoảng 2011–2012, do Jeff Dean, Andrew Ng và Greg Corrado dẫn dắt. Nhóm tập trung vào deep learning quy mô lớn, dùng các trung tâm dữ liệu của Google để huấn luyện những mô hình mà hầu hết các trường đại học không thể tiếp cận được.

DeepMind gia nhập năm 2014 qua một thương vụ mua lại nổi bật. Trong khi Google Brain sống gần sản phẩm và hạ tầng hơn, DeepMind nghiêng về nghiên cứu tầm nhìn dài: reinforcement learning, game, và hệ thống học tổng quát.

Cùng nhau, họ tạo cho Google một kho động lực AI vô song: một nhóm nhúng vào stack sản xuất của Google, nhóm kia theo đuổi nghiên cứu “moonshot”.

Những mốc làm rõ vị thế domonance của Google

Một số mốc công khai củng cố vị thế của Google:

• Đột phá ImageNet: Dù chiến thắng ImageNet 2012 ban đầu (AlexNet) đến từ University of Toronto, Google nhanh chóng thuê nhiều nhà nghiên cứu hàng đầu và đẩy trạng thái nghệ thuật với các mô hình như Inception. Các benchmark thị giác trở thành sân khấu cho quy mô và công cụ của Google.
• AlphaGo và các hậu bối: AlphaGo của DeepMind thắng Lee Sedol năm 2016, tiếp theo là AlphaGo Zero và AlphaZero, chứng tỏ reinforcement learning có thể làm chủ các miền phức tạp với rất ít thủ công của con người.
• Lời nói “AI‑first”: Khoảng 2016–2017, Sundar Pichai gọi Google là “AI‑first company.” AI đã vận hành Search, Ads, gợi ý YouTube, Photos, Maps và Android — tác động đến hàng tỷ người, dù nhiều người không nhìn thấy mô hình trực tiếp.

Những thắng lợi này thuyết phục nhiều nhà nghiên cứu rằng nếu muốn làm các vấn đề AI tham vọng nhất, họ sẽ đến Google hoặc DeepMind.

Mật độ nhân tài như động cơ đổi mới

Google tập trung một tỷ lệ phi thường nhân tài AI thế giới. Những người đoạt giải Turing và các nhân vật cấp cao như Geoffrey Hinton, Jeff Dean, Ilya Sutskever (trước khi rời sang OpenAI), Quoc Le, Oriol Vinyals, Demis Hassabis và David Silver làm việc trong một vài tổ chức và toà nhà.

Sự tập trung này tạo ra vòng phản hồi mạnh:

• Ý tưởng mới lan nhanh qua các buổi nói nội bộ, mailing list và mã nguồn chung.
• Các đội có thể hình thành nhanh để giải quyết vấn đề khó, biết rằng chuyên môn cần thiết thường chỉ là một tin nhắn nội bộ.
• Các nhà nghiên cứu được hưởng hạ tầng chuẩn sản xuất — pipeline dữ liệu, hệ thống huấn luyện phân tán và phần cứng chuyên dụng — mà không phải tự xây toàn bộ.

Sự kết hợp giữa nhân tài elité và đầu tư hạ tầng lớn khiến Google là nơi phát sinh nhiều nghiên cứu AI tiên phong.

Văn hoá ưu tiên bài báo và nền tảng

Văn hoá AI của Google nghiêng mạnh về xuất bản và xây dựng nền tảng hơn là sản phẩm tiêu dùng bóng bẩy.

Về phần nghiên cứu, thông lệ là:

• Xuất bản tại các hội nghị như NeurIPS, ICML, ICLR.
• Open‑source các công cụ (ví dụ TensorFlow) phản ánh hệ thống nội bộ của Google.
• Phát hành bài báo ảnh hưởng về thị giác, mô hình chuỗi, reinforcement learning và huấn luyện quy mô lớn.

Về phần kỹ thuật, Google dồn tài nguyên vào hạ tầng:

• TPUs (Tensor Processing Units) thiết kế cho workload mạng nơ‑ron.
• Stack huấn luyện và phục vụ tinh vi lấy cảm hứng từ hệ thống nội bộ như Borg.
• Nền tảng dữ liệu và thí nghiệm giúp thực hiện các nghiên cứu lớn trên lưu lượng thực.

Những lựa chọn này rất phù hợp với kinh doanh cốt lõi của Google. Mô hình và công cụ tốt hơn trực tiếp cải thiện độ liên quan của Search, nhắm mục tiêu quảng cáo và gợi ý nội dung. AI được xử lý như một lớp năng lực chung chứ không phải một danh mục sản phẩm độc lập.

Kết quả là một công ty thống trị khoa học và hệ thống cơ sở của AI, tích hợp sâu vào dịch vụ hiện có, và quảng bá tiến bộ qua nghiên cứu có ảnh hưởng — đồng thời thận trọng khi xây các trải nghiệm AI tiêu dùng mới.

Sự ra đời của Transformer: bước đột phá của Google

Năm 2017, một nhóm nhỏ Google Brain và Google Research âm thầm xuất bản một bài báo làm tái cấu trúc cả lĩnh vực: “Attention Is All You Need” của Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan Gomez, Łukasz Kaiser và Illia Polosukhin.

Ý tưởng cốt lõi vừa đơn giản vừa táo bạo: bạn có thể bỏ đi recurrence và convolution, và xây mô hình chuỗi chỉ dùng attention. Kiến trúc đó được gọi là Transformer.

Transformer khắc phục gì ở RNNs và LSTMs

Trước Transformer, hệ thống ngôn ngữ hàng đầu dựa trên RNNs và LSTMs. Chúng có hai vấn đề lớn:

• Nút thắt tuần tự: RNN xử lý token từng cái một, nên huấn luyện và suy luận khó song song hoá. GPU phải chờ bước trước hoàn thành.
• Phụ thuộc dài hạn: Khi chuỗi dài, RNN khó giữ thông tin từ nhiều bước trước, dù đã có LSTM và các lớp attention ghép thêm.

Transformer giải quyết cả hai:

• Self‑attention cho phép mỗi token “nhìn” trực tiếp mọi token khác trong chuỗi, trong một lớp duy nhất.
• Mô hình xử lý tất cả token song song, biến huấn luyện thành bài toán nhân ma trận thân thiện GPU.
• Multi‑head attention cho phép mô hình học nhiều “cái nhìn” ngữ cảnh khác nhau (cú pháp, tham chiếu, chủ đề, v.v.) cùng lúc.

Thông tin thứ tự được thêm qua positional encodings, nên mô hình biết thứ tự mà không cần recurrence.

Tại sao điều này mở khoá mô hình có thể mở rộng và đa phương thức

Vì mọi phép toán đều song song hoá được và dựa trên nhân ma trận dày đặc, Transformers tăng quy mô mượt khi có thêm dữ liệu và compute. Tính chất này chính là nền tảng mà GPT, Gemini và các mô hình tiên phong khác dựa vào.

Cơ chế attention cũng khái quát ra ngoài văn bản: có thể áp dụng Transformer lên các patch ảnh, frame âm thanh, token video, v.v. Điều đó khiến kiến trúc trở thành nền tảng tự nhiên cho các mô hình đa phương thức đọc, thấy và nghe bằng một backbone hợp nhất.

Xuất bản mở và con đường tới GPT

Điều quan trọng là Google xuất bản công khai bài báo và (qua các công trình tiếp theo và thư viện như Tensor2Tensor) làm cho kiến trúc dễ tái tạo. Nhà nghiên cứu và startup trên toàn thế giới có thể đọc chi tiết, sao chép thiết kế và tăng quy mô.

OpenAI đã làm đúng như vậy. GPT‑1 về mặt kiến trúc là một stack decoder của Transformer với mục tiêu language‑modeling. Tổ tiên kỹ thuật trực tiếp của GPT là Transformer của Google: cùng block self‑attention, cùng positional encodings, cùng cược vào quy mô — chỉ khác ở ngữ cảnh tổ chức và sản phẩm.

Từ Transformer đến GPT: OpenAI xây dựng trên công trình của Google như thế nào

Khi OpenAI ra GPT, họ không phát minh một mô hình mới hoàn toàn. Họ lấy blueprint Transformer của Google và đẩy nó xa hơn những gì nhiều nhóm nghiên cứu sẵn sàng — hoặc có khả năng — làm.

Biến Transformers thành GPT

GPT gốc (2018) về cơ bản là một decoder của Transformer được huấn luyện với mục tiêu đơn giản: dự đoán token tiếp theo trong các đoạn văn bản dài. Ý tưởng đó trực tiếp nối từ kiến trúc Transformer 2017 của Google, nhưng trong khi Google tập trung vào các benchmark dịch máy, OpenAI coi “dự đoán từ tiếp theo ở quy mô” như nền tảng cho một bộ tạo văn bản đa mục đích.

GPT‑2 (2019) tăng quy mô lên 1.5B tham số và dùng kho dữ liệu web lớn hơn. GPT‑3 (2020) nhảy lên 175B tham số, huấn luyện trên hàng nghìn tỷ token với cụm GPU khổng lồ. GPT‑4 tiếp tục mở rộng: nhiều tham số hơn, nhiều dữ liệu hơn, chọn lọc tốt hơn và compute mạnh hơn, kèm lớp an toàn và RLHF để định hình hành vi thành thứ gì đó hội thoại và hữu dụng.

Trong suốt tiến trình này, lõi thuật toán vẫn gần với Transformer của Google: block self‑attention, positional encodings và các lớp xếp chồng. Bước nhảy là ở quy mô và kỹ thuật engineering không ngừng.

Quy mô là chiến lược, không chỉ thí nghiệm nghiên cứu

Khi các mô hình ngôn ngữ của Google ban đầu (như BERT) nhắm tới các nhiệm vụ hiểu — phân loại, xếp hạng tìm kiếm, hỏi đáp — OpenAI tối ưu cho tạo sinh mở và đối thoại. Google xuất bản các mô hình tốt và chuyển sang bài báo tiếp theo. OpenAI biến một ý tưởng thành đường ống sản phẩm.

Nghiên cứu mở từ Google, DeepMind và các phòng thí nghiệm học thuật trực tiếp nuôi dưỡng GPT: biến thể Transformer, mẹo tối ưu hoá, lịch học, scaling laws và tokenization tốt hơn. OpenAI hấp thụ những kết quả công khai này, rồi đầu tư mạnh vào các lần huấn luyện nội bộ và hạ tầng riêng.

Tia lửa trí tuệ — Transformers — đến từ Google. Quyết định đặt cược công ty vào việc tăng quy mô ý tưởng đó, ra API, rồi sản phẩm chat tiêu dùng là của OpenAI.

Tại sao Google ưu tiên BERT và search thay vì sản phẩm theo kiểu GPT

Thắng lợi thương mại ban đầu của Google với deep learning đến từ việc làm cho cỗ máy kiếm tiền cốt lõi — search và ads — thông minh hơn. Bối cảnh đó định hình cách họ đánh giá các kiến trúc mới như Transformer. Thay vì đua xây trình tạo văn bản mở, Google gia cố các mô hình đem lại cải thiện trực tiếp cho ranking, relevance và chất lượng. BERT là sự phù hợp hoàn hảo.

BERT như Transformer “thân thiện với search”

BERT (Bidirectional Encoder Representations from Transformers) là mô hình chỉ encoder được huấn luyện bằng masked language modeling: một phần câu bị ẩn và mô hình phải suy đoán token thiếu dựa trên ngữ cảnh hai bên.

Mục tiêu huấn luyện đó phù hợp gần như hoàn hảo với vấn đề của Google:

• Hiểu truy vấn: Truy vấn tìm kiếm ngắn, lộn xộn và nhiều nghĩa. BERT với ngữ cảnh hai chiều cho phép Google diễn giải các truy vấn tinh tế hơn.
• Hiểu tài liệu: Xếp hạng hàng tỷ trang cần similarity ngữ nghĩa tinh tế. Embedding từ BERT giúp khớp truy vấn tới đoạn văn, không chỉ toàn trang.
• Phát hiện chất lượng và spam: Masked LM tự nhiên tốt trong việc phát hiện văn bản “không phù hợp”, hữu ích để lọc nội dung rác.

Quan trọng là mô hình kiểu encoder phù hợp gọn với stack retrieval và ranking hiện có của Google. Chúng có thể được gọi như các tín hiệu relevance bên cạnh hàng trăm tính năng khác, cải thiện search mà không phải viết lại toàn bộ sản phẩm.

Tại sao masked LM hợp với doanh nghiệp của Google

Google cần câu trả lời đáng tin cậy, có thể truy vết và kiếm tiền được:

• Đáng tin cậy: Kết quả search cần dựa vào trang và nguồn thực tế. Masked LM huấn luyện mô hình để hiểu ngôn ngữ, không tạo ra đầu ra hư cấu dài dòng.
• Có thể truy vết: Mỗi kết quả liên kết tới nhà xuất bản. Điều đó hỗ trợ hệ sinh thái web mở và cho phép người dùng kiểm chứng thông tin.
• Kiếm tiền: Quảng cáo trên search phù hợp quanh danh sách xếp hạng. Relevance tốt hơn nghĩa là CTR cao hơn và giá trị trên mỗi truy vấn lớn hơn.

BERT cải thiện cả ba khía cạnh mà không làm xáo trộn UI search hay mô hình ads đã được chứng minh. Các mô hình autoregressive kiểu GPT, ngược lại, mang lại khó khăn trong việc chứng minh giá trị gia tăng trực tiếp cho doanh nghiệp hiện tại.

Tính toán rủi ro nội bộ: an toàn, sai lệch thông tin và thương hiệu

Tạo sinh tự do đặt ra những lo ngại nội bộ rõ ràng:

• Thông tin sai lệch và hallucination: Mô hình sinh có thể tự tin bịa đặt sự thật. Với một công ty thường bị xem là thẩm quyền, đó là rủi ro thương hiệu trực tiếp.
• Nội dung có hại: Sinh nội dung chưa lọc có thể tạo văn bản độc hại, thiên lệch hoặc nguy hiểm. Triển khai ở quy mô Google mời gọi phản ứng công chúng và áp lực quy định.
• Phơi bày pháp lý: Khi kiểm soát cạnh tranh và nội dung nóng lên, ra mắt chatbot toàn cầu mở có vẻ rất mạo hiểm.

Hầu hết các trường hợp dùng nội bộ vượt được kiểm duyệt là hỗ trợ và có giới hạn: tự hoàn thành trong Gmail, trả lời thông minh, dịch, và cải thiện ranking. Các mô hình encoder dễ bị giới hạn, giám sát và biện minh hơn so với hệ thống đối thoại tổng quát.

Nỗi lo cạnh tranh nội bộ: đừng giết con bò tiền mặt search

Ngay cả khi Google có prototype chat và sinh, câu hỏi then chốt vẫn là: Một câu trả lời trực tiếp tốt có làm giảm truy vấn và click quảng cáo?

Trải nghiệm chat trả lời một lần có thể thay đổi hành vi người dùng:

• Ít click tới trang ngoài → nhà xuất bản giận dữ, suy yếu hệ sinh thái web
• Ít không gian cho quảng cáo search truyền thống → doanh thu không chắc chắn

Bản năng lãnh đạo là tích hợp AI như phần tăng cường cho search, không phải thay thế. Điều đó có nghĩa là ưu tiên các tweak ranking, rich snippets và hiểu ngữ nghĩa dần dần — nơi BERT tỏ ra xuất sắc — thay vì một sản phẩm đối thoại táo bạo có thể làm xáo trộn mô hình kinh doanh cốt lõi.

Cách các lựa chọn này làm chậm sản phẩm sinh công khai

Từng quyết định riêng lẻ đều hợp lý:

• Ưu tiên mô hình cải thiện trực tiếp metric search và ads
• Ưu tiên an toàn, độ tin cậy và thận trọng trước quy định
• Bảo vệ trải nghiệm search và mô hình kiếm tiền

Cộng lại, nghĩa là Google đầu tư ít hơn vào việc sản phẩm hoá mô hình autoregressive kiểu GPT cho công chúng. Các nhóm nghiên cứu khám phá decoder lớn và hệ thống đối thoại, nhưng nhóm sản phẩm thiếu động lực để tung ra chatbot mà:

• Không rõ cải thiện KPIs chính của search
• Đe doạ doanh thu quảng cáo và mối quan hệ với nhà xuất bản
• Gợi lên rủi ro an toàn và PR lớn

OpenAI, không có đế chế search cần bảo vệ, đặt cược ngược lại: một giao diện chat mạnh mẽ, sẵn tiếp cận công chúng — dù có khiếm khuyết — sẽ tạo ra nhu cầu mới trên quy mô lớn. Sự tập trung của Google vào BERT và phù hợp với search trì hoãn bước vào các công cụ sinh đối diện người dùng, và điều đó mở cửa để ChatGPT định nghĩa hạng mục trước.

Cược của OpenAI vào quy mô, API và trải nghiệm chat tiêu dùng

Từ phòng thí nghiệm nghiên cứu đến công ty “capped‑profit”

OpenAI khởi đầu năm 2015 như một phòng thí nghiệm phi lợi nhuận, được tài trợ bởi vài nhà sáng lập công nghệ nhìn thấy cơ hội và rủi ro của AI. Vài năm đầu trông tương tự Google Brain hay DeepMind: xuất bản bài báo, phát hành mã, đẩy khoa học tiến lên.

Đến 2019, lãnh đạo nhận ra các mô hình tiên phong sẽ cần hàng tỷ đô la compute và kỹ thuật. Một tổ chức phi lợi nhuận thuần túy khó huy động nguồn lực đó. Giải pháp là đổi cấu trúc: OpenAI LP, một công ty “capped‑profit” nằm dưới non‑profit. Nhà đầu tư có thể có lợi nhuận (đến một mức giới hạn), trong khi hội đồng giữ mục tiêu AGI có lợi cho đại chúng. Cấu trúc này mở đường cho các thoả thuận tài chính và compute lớn mà không biến OpenAI hoàn toàn thành startup truyền thống.

Quy mô như giả thuyết cốt lõi

Trong khi nhiều phòng thí nghiệm tối ưu cho kiến trúc thông minh hoặc hệ thống chuyên dụng, OpenAI đặt cược thẳng thắn: các mô hình ngôn ngữ tổng quát cực lớn có thể mạnh hơn nhiều nếu bạn không ngừng tăng dữ liệu, tham số và compute.

GPT‑1, GPT‑2, GPT‑3 tuân theo công thức đơn giản: Transformer chuẩn, nhưng lớn hơn, huấn luyện lâu hơn và trên văn bản đa dạng hơn. Thay vì tùy chỉnh mô hình cho từng nhiệm vụ, họ dựa vào “một mô hình lớn, nhiều cách dùng” thông qua prompting và fine‑tuning.

Đó không chỉ là quan điểm nghiên cứu mà còn là chiến lược kinh doanh: nếu một API có thể phục vụ hàng nghìn trường hợp sử dụng — từ công cụ tạo quảng cáo đến trợ lý lập trình — OpenAI có thể trở thành nền tảng, không chỉ phòng thí nghiệm.

API‑first: biến mô hình thành nền tảng

API GPT‑3 ra mắt năm 2020 hiện thực hoá chiến lược đó. Thay vì tập trung vào phần mềm nặng triển khai tại chỗ hoặc các sản phẩm doanh nghiệp hẹp, OpenAI mở một API đám mây đơn giản:

• Gửi văn bản, nhận đầu ra mô hình.
• Trả tiền theo token.
• Xây bất cứ thứ gì bạn muốn lên trên.

Cách tiếp cận “API‑first” này cho phép startup và doanh nghiệp xử lý UX, tuân thủ và chuyên môn lĩnh vực, trong khi OpenAI tập trung vào huấn luyện mô hình ngày càng lớn và cải thiện alignment.

API cũng tạo ra động cơ doanh thu rõ ràng rất sớm. Thay vì chờ sản phẩm hoàn hảo, OpenAI để hệ sinh thái khám phá các trường hợp dùng và thực chất làm R&D sản phẩm thay họ.

Sẵn sàng ra mắt sản phẩm chưa hoàn hảo

OpenAI liên tục chọn ra mắt trước khi mô hình được mài giũa. GPT‑2 ra mắt với lo ngại an toàn và phát hành từng bước; GPT‑3 xuất hiện thông qua beta có kiểm soát với các lỗi dễ thấy — hallucination, bias, không nhất quán.

Biểu hiện rõ ràng nhất là ChatGPT cuối 2022. Nó không phải là mô hình tiên tiến nhất họ có, cũng không quá tinh chỉnh. Nhưng nó cung cấp:

• Giao diện chat đơn giản ai cũng hiểu.
• Truy cập miễn phí ban đầu, mời hàng loạt thử nghiệm.
• Vòng lặp lặp nhanh dựa trên cuộc trò chuyện thật của người dùng.

Thay vì tinh chỉnh mô hình vô tận trong bí mật, OpenAI xem công chúng như một bộ phễu phản hồi khổng lồ. Hàng rào an toàn, moderation và UX tiến hóa hàng tuần dựa trên hành vi quan sát được.

Quan hệ chiến lược với Microsoft và quyền truy cập compute

Cược của OpenAI vào quy mô đòi hỏi ngân sách compute khổng lồ. Ở đây quan hệ với Microsoft là quyết định.

Bắt đầu từ 2019 và sâu sắc hơn trong những năm sau, Microsoft cung cấp:

• Các khoản đầu tư tỉ đô vào OpenAI LP.
• Hosting đám mây độc quyền trên Azure cho mô hình của OpenAI.
• Go‑to‑market chung qua sản phẩm như Bing Chat và Copilot.

Với OpenAI, điều này giải quyết giới hạn cốt lõi: họ có thể chạy các lần huấn luyện trên siêu máy AI chuyên dụng mà không phải tự xây hoặc tài trợ hạ tầng hoàn toàn. Với Microsoft, đó là con đường để phân biệt Azure và thổi AI vào Office, GitHub, Windows và Bing nhanh hơn so với tự xây mọi thứ trong nội bộ.

Vòng phản hồi: người dùng → dữ liệu → doanh thu → mô hình lớn hơn

Tất cả lựa chọn — quy mô, API‑first, chat tiêu dùng và thỏa thuận với Microsoft — tạo ra vòng lặp củng cố:

1. Mô hình tốt hơn thu hút dev và người dùng.
2. API và ChatGPT khiến việc tích hợp hoặc thử nghiệm dễ dàng.
3. Sử dụng tạo doanh thu, tài trợ các lần huấn luyện lớn hơn và hạ tầng tốt hơn.
4. Tương tác thực tế tạo ra dữ liệu giá trị cao cho fine‑tuning và RLHF.
5. Mô hình cải thiện cho các tính năng mới (plugin, công cụ, đa phương thức) thu hút thêm người dùng.

Thay vì tối ưu cho bài báo hoàn hảo hay pilot nội bộ thận trọng, OpenAI tối ưu cho vòng lặp cộng hưởng này. Quy mô không chỉ là mô hình lớn hơn; là tăng nhanh người dùng, dữ liệu và dòng tiền để tiếp tục đẩy ngưỡng.

Cú sốc ChatGPT: khi OpenAI thực thi vượt Google

Khi OpenAI ra ChatGPT ngày 30/11/2022, nó trông như một bản preview nghiên cứu đơn giản: một hộp chat, không paywall và một bài đăng blog ngắn. Trong năm ngày, vượt mốc một triệu người dùng. Vài tuần sau, screenshot và trường hợp dùng tràn trên Twitter, TikTok và LinkedIn. Mọi người viết luận, gỡ lỗi code, soạn email pháp lý và động não ý tưởng kinh doanh với một công cụ duy nhất.

Sản phẩm không được trình bày như “demo một mô hình ngôn ngữ dựa trên Transformer.” Nó đơn giản là: Hỏi bất cứ điều gì. Nhận câu trả lời. Sự rõ ràng đó khiến công nghệ trở nên dễ hiểu ngay với người không chuyên.

Cú sốc nội bộ ở Google

Bên trong Google, phản ứng giống sự chuông báo động hơn là ngưỡng mộ. Lãnh đạo tuyên bố một “code red.” Larry Page và Sergey Brin được kéo lại tham gia vào thảo luận sản phẩm và chiến lược. Các đội làm việc về mô hình đối thoại nhiều năm bỗng bị soi kỹ hơn.

Kỹ sư biết rằng Google có hệ thống xấp xỉ ChatGPT về năng lực nền tảng. Các mô hình như LaMDA, PaLM và Meena trước đó đã thể hiện hội thoại trôi chảy trên benchmark nội bộ. Nhưng chúng được giữ sau hàng rào, demo có kiểm soát và phê duyệt phức tạp.

Bên ngoài, có vẻ như Google bị bất ngờ.

ChatGPT vs LaMDA: cùng công nghệ, khác sản phẩm

Về mặt kỹ thuật, ChatGPT và LaMDA là họ hàng: mô hình Transformer lớn được fine‑tune cho đối thoại. Khoảng cách không nằm chủ yếu ở kiến trúc; mà ở quyết định sản phẩm.

OpenAI:

• Tung ra một giao diện đơn, rõ ràng
• Chấp nhận sự lộn xộn ngoài đời thực và lặp nhanh
• Đầu tư mạnh vào alignment và RLHF, học từ triệu cuộc hội thoại

Google:

• Giữ LaMDA sau các demo giới hạn
• Tối ưu cho tránh rủi ro và bảo vệ danh tiếng
• Vật lộn để biến prototype nghiên cứu thành sản phẩm tiếp xúc người dùng

Ra mắt vội vàng Bard và sai sót công khai

Dưới áp lực, Google công bố Bard vào tháng 2/2023. Demo preview cố gắng bắt chước phép màu hội thoại của ChatGPT. Nhưng một trong các câu trả lời nổi bật — về khám phá từ Kính viễn vọng Không gian James Webb — sai. Lỗi xuất hiện trong tài liệu marketing của Google, bị phát hiện trong vài phút và khiến vốn hoá Alphabet mất hàng tỷ đôla trong một ngày. Điều đó củng cố nhận định tàn nhẫn: Google trễ, lo lắng và vụng về, trong khi OpenAI có vẻ tự tin và chuẩn bị tốt.

Sự mỉa mai đau đớn với người Google: hallucination và sai thông tin vốn là vấn đề biết trước của mô hình lớn. Khác biệt là OpenAI đã bình thường hoá điều này trong tâm trí người dùng bằng các dấu hiệu UI, tuyên bố và khung thử nghiệm; Google thì tung ra Bard với thương hiệu bóng bẩy, ít dung sai cho sai sót — và rồi vấp phải lỗi cơ bản.

Tốc độ, UX và câu chuyện: lợi thế thực thi của OpenAI

Lợi thế của ChatGPT không chỉ nằm ở mô hình lớn hơn hay thuật toán mới hơn. Đó là tốc độ thực thi và trải nghiệm rõ ràng.

OpenAI:

• Biến dòng nghiên cứu thành một sản phẩm viral duy nhất
• Ôm lấy mindset beta công khai: “thử đi, phá vỡ nó, nói cho chúng tôi”
• Thiết kế UX phù hợp với hành vi dùng văn bản: hỏi, nhận, lặp

Google di chuyển chậm hơn, tối ưu cho không có sai sót và đóng gói Bard như một ra mắt bóng bẩy thay vì giai đoạn học tập. Khi Bard tới tay người dùng thì ChatGPT đã trở thành thói quen hàng ngày cho sinh viên, nhân viên tri thức và lập trình viên.

Cú sốc trong Google không chỉ vì OpenAI có AI tốt. Mà vì một tổ chức nhỏ hơn đã lấy ý tưởng Google góp phần phát minh, đóng gói thành sản phẩm người thường yêu thích, và định nghĩa công chúng về ai dẫn dắt AI — chỉ trong vài tuần.

Văn hoá, động lực và rủi ro: Google so với OpenAI

Google và OpenAI khởi điểm từ nền tảng kỹ thuật tương tự nhưng thực tế tổ chức rất khác nhau. Sự khác biệt đó đã định hình hầu hết quyết định xung quanh hệ thống kiểu GPT.

Động lực: cỗ máy tiền so với chế độ sinh tồn

Cốt lõi của Google là search và ads — một động cơ tạo ra tiền ổn định. Hầu hết động lực cấp cao gắn với việc bảo vệ nguồn thu đó.

Ra mắt mô hình đối thoại mạnh có thể:

• giảm lượt hiển thị quảng cáo,
• trả lời câu hỏi thay vì mở search,
• và hallucinate theo cách làm tổn hại niềm tin,

nên được nhìn như mối đe doạ. Mặc định là thận trọng.

OpenAI, ngược lại, không có “cỗ máy tiền.” Động lực của họ là sống còn: tung mô hình giá trị, chiếm lấy tâm trí dev, ký hợp đồng compute lớn và biến nghiên cứu thành doanh thu trước khi người khác làm được. Rủi ro không ra sản phẩm lớn hơn rủi ro ra sản phẩm sớm.

Văn hoá: mức chịu rủi ro và nhạy cảm PR

Google đã trải qua điều tra chống độc quyền, tranh cãi về quyền riêng tư và quy định toàn cầu. Lịch sử đó tạo ra văn hoá:

• PR, policy và pháp lý có quyền phủ quyết mạnh
• các review an toàn dài và nhiều tầng
• tổn hại danh tiếng được xử lý như rủi ro hàng đầu

OpenAI chấp nhận rằng mô hình mạnh khi ra công chúng sẽ lộn xộn. Công ty nhấn mạnh lặp nhanh có rào chắn hơn là chu kỳ hoàn thiện nội bộ lâu. Họ vẫn thận trọng, nhưng mức chịu rủi ro với sản phẩm cao hơn nhiều.

Cấu trúc và tốc độ: ủy ban vs tập trung quyền quyết định

Ở Google, ra mắt lớn thường phải qua nhiều ủy ban, phê duyệt cross‑org và đàm phán OKR phức tạp. Điều đó làm chậm sản phẩm cắt ngang Search, Ads, Cloud và Android.

OpenAI tập trung quyền ở nhóm lãnh đạo nhỏ và đội sản phẩm tập trung. Quyết định về ChatGPT, giá cả và API có thể được đưa ra nhanh, rồi điều chỉnh dựa trên sử dụng thực tế.

Khi chỉ nghiên cứu thôi không còn đủ

Nhiều năm, ưu thế của Google là xuất bản bài báo tốt nhất và huấn luyện mô hình mạnh nhất. Nhưng khi người khác tái tạo nghiên cứu, lợi thế chuyển sang nghiên cứu cộng:

• thiết kế sản phẩm
• trải nghiệm nhà phát triển
• vòng phản hồi dữ liệu
• tốc độ ra thị trường

OpenAI coi mô hình như chất nền sản phẩm: tung API, tung giao diện chat, học từ người dùng, rồi đưa trở lại vào thế hệ mô hình tiếp theo.

Google, trái lại, dành nhiều năm giữ hệ thống mạnh nhất như công cụ nội bộ hoặc demo hẹp. Khi họ cố gắng sản phẩm hoá ở quy mô, OpenAI đã tạo thói quen, kỳ vọng và hệ sinh thái quanh GPT.

Khoảng cách không phải ai hiểu Transformer tốt hơn, mà là ai sẵn sàng — và có cấu trúc để — biến hiểu biết đó thành sản phẩm trước hàng trăm triệu người.

Đổi mới kỹ thuật vs đổi mới sản phẩm: ai làm gì

Google: động cơ kỹ thuật

Về mặt kỹ thuật, Google vẫn là một cường quốc. Họ dẫn đầu về hạ tầng: TPUs tùy chỉnh, mạng datacenter tiên tiến và tooling nội bộ khiến huấn luyện mô hình khổng lồ trở nên thường xuyên hơn nhiều năm trước so với hầu hết công ty khác.

Các nhà nghiên cứu Google đẩy ranh giới về kiến trúc mô hình (Transformers, biến thể attention, mixture‑of‑experts, retrieval‑augmented models), scaling laws và hiệu quả huấn luyện. Nhiều bài báo then chốt của ML quy mô lớn đến từ Google hoặc DeepMind.

Nhưng nhiều đổi mới này ở lại trong tài liệu, nền tảng nội bộ và các tính năng hẹp cho Search, Ads và Workspace. Thay vì một “sản phẩm AI” rõ ràng, người dùng thấy hàng chục cải tiến nhỏ rời rạc.

OpenAI: động cơ sản phẩm và nền tảng

OpenAI đi con đường khác. Về kỹ thuật, họ dựa trên ý tưởng người khác đã công bố, trong đó có Google. Lợi thế của họ là biến những ý tưởng đó thành dòng sản phẩm rõ ràng:

• Một trải nghiệm cờ hiệu: ChatGPT, với trường hợp dùng hiển nhiên và không cần cấu hình.
• Một nền tảng chính: API, với endpoint ổn định và giá cả dễ đoán.
• Một câu chuyện cho dev: docs tốt, ví dụ và mô hình tư duy đơn giản — “gọi mô hình như gọi hàm.”

Việc đóng gói này biến năng lực thô thành thứ người dùng có thể áp dụng ngay.

Phân phối đánh bại dẫn đầu kỹ thuật thuần túy

Khi ChatGPT bùng nổ, OpenAI giành lấy thứ Google từng sở hữu: mindshare mặc định. Dev thử nghiệm với OpenAI, viết tutorial trên API của họ và thuyết trình nhà đầu tư về sản phẩm “built on GPT.”

Khoảng cách chất lượng mô hình — nếu có — ít quan trọng hơn khoảng cách phân phối. Lợi thế kỹ thuật của Google về hạ tầng và nghiên cứu không tự động chuyển thành lãnh đạo thị trường.

Bài học: chiến thắng ở khoa học chưa đủ. Thiếu sản phẩm, giá cả, câu chuyện và con đường tích hợp, ngay cả động cơ nghiên cứu mạnh nhất cũng bị vượt qua bởi công ty sản phẩm tập trung.

Sau tiếng chuông báo: Bard, Gemini và reset AI của Google

Khi ChatGPT phơi bày khoảng cách thực thi công khai của Google, công ty kích hoạt một “code red” công khai. Những gì theo sau là reset chiến lược AI tăng tốc, đôi khi lộn xộn, nhưng thực sự.

Từ Bard đến Gemini: thừa nhận reset

Câu trả lời đầu tiên của Google là Bard, giao diện chat xây trên LaMDA rồi nâng cấp sang PaLM 2. Bard cảm thấy vừa vội vã vừa thận trọng: truy cập giới hạn, rollout chậm và ràng buộc rõ rệt.

Reset thực sự đến với Gemini:

• Gemini Ultra, Pro, Nano như một gia đình mô hình nhất quán cho cloud, tiêu dùng và trên thiết bị
• Bard đổi thương hiệu thành Gemini (và Gemini Advanced) để đánh dấu sự chia tay với giai đoạn thử nghiệm
• Cam kết công khai biến Gemini thành thương hiệu AI trung tâm trên các sản phẩm Google

Sự dịch chuyển này tái định vị Google từ “công ty search thử nghiệm chatbot” thành “nền tảng AI‑first với gia đình mô hình cờ hiệu,” dù vị thế này đến muộn so với OpenAI.

Dệt Gemini vào sản phẩm lõi của Google

Sức mạnh của Google là phân phối, nên reset tập trung vào tích hợp Gemini khắp nơi người dùng có mặt:

• Search: Search Generative Experience và AI Overviews trả lời truy vấn trực tiếp, không chỉ link tới trang
• Workspace: trợ lý Gemini cho Gmail, Docs, Sheets, Slides và Meet để soạn, tóm tắt và phân tích nội dung
• Android: Gemini như trợ lý hệ thống, input đa phương thức và mô hình Nano trên thiết bị cho tác vụ nhạy về quyền riêng tư
• Chrome: trợ viết, tổ chức tab và tính năng cho dev bên trong trình duyệt

Chiến lược: nếu OpenAI thắng bằng sự mới mẻ và thương hiệu, Google có thể thắng bằng sự hiện diện mặc định và tích hợp chặt vào luồng công việc hàng ngày.

An toàn, quản trị và phơi bày có kiểm soát

Khi Google mở rộng truy cập, họ dựa mạnh vào Nguyên tắc AI và tư thế an toàn:

• red‑teaming và đánh giá rộng rãi trước khi phát hành mô hình có năng lực cao hơn
• Rollout theo vùng, một số tính năng bị khoá theo độ tuổi và loại tài khoản
• Đầu tư vào nghiên cứu alignment, bộ lọc nội dung và hành vi từ chối
• Watermarking và công tác provenance (ví dụ SynthID cho hình ảnh và media)

Đổi lấy là: rào chắn mạnh hơn và thí nghiệm chậm hơn so với OpenAI.

Google có bắt kịp thật không?

Về chất lượng mô hình thuần túy, Gemini Advanced và các mô hình hàng đầu dường như cạnh tranh với GPT‑4 trên nhiều benchmark và báo cáo dev. Ở một số tác vụ đa phương thức và lập trình, Gemini thậm chí dẫn; ở các tác vụ khác, GPT‑4 (và các hậu bản) vẫn là mốc chuẩn.

Nơi Google còn thua là mindshare và hệ sinh thái:

• OpenAI vẫn là lựa chọn mặc định cho nhiều startup và nhà nghiên cứu
• Thương hiệu “ChatGPT” đồng nghĩa với AI đối với người dùng phổ thông
• API và hệ sinh thái plugin/tooling của OpenAI trưởng thành sớm và nhanh hơn

Đòn bẩy của Google là phân phối khổng lồ (Search, Android, Chrome, Workspace) và hạ tầng sâu. Nếu họ chuyển đổi được những điểm đó thành trải nghiệm AI‑native hấp dẫn nhanh hơn, họ có thể thu hẹp hoặc đảo ngược khoảng cách nhận thức.

Tương lai đa cực, không chỉ hai kỵ sĩ

Reset diễn ra trong một lĩnh vực không còn chỉ là Google vs OpenAI:

• OpenAI: mindshare tiêu dùng, lặp nhanh, hệ sinh thái dev mạnh
• Google: hạ tầng, dữ liệu, phân phối và Gemini trong sản phẩm
• Open source (Meta’s Llama, Mistral và các đội khác): di chuyển nhanh, rẻ và đủ tốt cho nhiều trường hợp
• Anthropic và những người khác: khác biệt theo an toàn, độ tin cậy và ngành dọc

Reset nghiêm túc của Google có nghĩa họ không còn “bỏ lỡ” hoàn toàn khoảnh khắc Generative AI. Nhưng tương lai là đa cực: không có người thắng tuyệt đối, và không công ty nào kiểm soát hoàn toàn hướng phát triển mô hình hay sản phẩm.

Với người xây dựng, điều đó có nghĩa: thiết kế chiến lược giả định nhiều nhà cung cấp mạnh, mô hình mã nguồn mở ngày càng tốt và sự nhảy vọt liên tục — thay vì cược tất cả vào một stack hay thương hiệu duy nhất.

Bài học chủ chốt cho người xây dựng: làm sao không lặp lại sai lầm của Google

Google chứng minh rằng bạn có thể phát minh đột phá mà vẫn mất làn sóng giá trị đầu tiên. Điểm dành cho người xây dựng là không để điều đó xảy ra với mình.

1. Tung sản phẩm, không chỉ bài báo

Đối xử với mỗi kết quả nghiên cứu lớn như một giả thuyết sản phẩm, không phải kết thúc.

• Giao một product owner chịu trách nhiệm trực tiếp cho mỗi đột phá lớn.
• Trong vài tuần, xác định vấn đề người dùng cụ thể và trải nghiệm v1, dù hẹp.
• Đặt deadline mà mặc định là: ra mắt với người dùng thực, dù chỉ 1.000 người.

Nếu một kết quả đủ quan trọng để xuất bản, nó cũng đủ quan trọng để prototype cho khách hàng.

2. Đồng bộ hóa động lực với tác động đã ra mắt

Người ta làm những gì được thưởng.

• Làm cho thăng tiến và danh tiếng gắn với tác động đã ra mắt chứ không chỉ trích dẫn hay demo nội bộ.
• Tôn vinh đội liên chức năng (nghiên cứu, kỹ thuật, sản phẩm, pháp lý) đưa ý tưởng rủi ro vào sản xuất.
• Giao lãnh đạo đơn tuyến chịu trách nhiệm cả thử nghiệm lẫn ra mắt, để quyết định không chết trong ủy ban.

3. Đặt cược sản phẩm rõ ràng trên primitive mới

Transformers là primitive tính toán mới. Google coi chúng chủ yếu như nâng cấp hạ tầng; OpenAI coi chúng là động cơ sản phẩm.

Khi bạn chạm tới ý tưởng sâu như vậy:

• Chọn 1–2 sản phẩm cờ hiệu để đẩy ý tưởng đó đến giới hạn.
• Dành riêng đội và ngân sách 12–24 tháng.
• Chấp nhận trùng lắp và thậm chí cạnh tranh với sản phẩm cũ nếu lợi ích lớn.

4. Cân bằng an toàn với học hỏi thực tế

Lo ngại thương hiệu và an toàn có giá trị, nhưng lấy đó làm lý do trì hoãn vô tận không ổn.

Tạo mô hình rủi ro theo tầng:

• Trường hợp rủi ro cao (y tế, tài chính, bầu cử) cần cổng nghiêm ngặt.
• Thí nghiệm công khai, được gắn nhãn rõ ràng có thể ra sớm với giám sát và kill switch.

Thay vì chờ chắc chắn, thiết kế phơi bày có kiểm soát: rollout từng bước, logging mạnh, đường lui nhanh, red‑teaming và thông tin công khai rằng bạn vẫn đang học.

5. Sở hữu nền tảng bạn kích hoạt

Google cho phép người khác xây GPT‑style bằng việc công khai ý tưởng và tooling, rồi phần lớn đứng ngoài khi người khác xây trải nghiệm biểu tượng.

Khi bạn mở ra khả năng mới:

• Xây một sản phẩm tham chiếu thể hiện đỉnh cao khả năng.
• Cung cấp API sớm, nhưng giữ một trải nghiệm chính thức do bạn điều hành và liên tục cải tiến.
• Xem các dev bên ngoài là đối tác mở rộng nền tảng, chứ không phải là những người duy nhất tìm ra người dùng muốn gì.

6. Thể chế hoá con đường “từ bài báo đến sản phẩm”

Bạn không thể dựa vào một vị lãnh đạo vĩ đại hay một đội anh hùng.

Nhúng chuyển đổi vào cách công ty vận hành:

• Chuẩn hoá pipeline: ý tưởng → demo nội bộ → pilot công khai giới hạn → ra mắt chung.
• Tạo nhóm chuyên trách nhiệm vụ duy nhất là biến kết quả nghiên cứu hàng đầu thành sản phẩm hoặc API.
• Luân chuyển nhà nghiên cứu cấp cao vào vai trò lãnh đạo sản phẩm để người hiểu năng lực cũng sở hữu ứng dụng.

7. Cam kết bị bất ngờ bởi chính công nghệ của mình

Sai lầm lớn nhất của Google không phải là không thấy trước AI; mà là đánh giá thấp những gì phát minh của họ có thể trở thành trong tay người tiêu dùng.

Tư duy thực tế cho founder, PM và exec là:

• Giả sử đột phá của bạn có mặt rộng hơn những gì bạn nhìn thấy trong tòa nhà.
• Đưa nó tới người dùng đủ sớm để họ chỉ bạn các cách dùng bất ngờ, lộn xộn nhưng có giá trị cao.
• Sẵn sàng pivot roadmap khi những cách dùng đó xung đột với chiến lược tinh tươm ban đầu.

Những đột phá tương lai — dù ở mô hình, giao diện hay primitive hoàn toàn mới — sẽ được thương mại hoá bởi đội sẵn sàng dịch “chúng ta phát hiện điều này” thành “chúng ta chịu trách nhiệm đưa nó ra” thật nhanh.

Bài học từ Google không phải là bớt xuất bản hay giấu nghiên cứu. Mà là ghép phát hiện đẳng cấp thế giới với sở hữu sản phẩm tham vọng, động lực rõ ràng và thiên hướng học hỏi công khai. Tổ chức làm được điều đó sẽ sở hữu làn sóng tiếp theo, không chỉ viết bài báo khởi nguồn.