AI rẻ đi, và vì sao đó là vấn đề của NVIDIA

Nate B Jones bàn về việc doanh nghiệp chuyển sang model rẻ hơn, nguồn cung chip NVIDIA đã cam kết, kiểm soát xuất khẩu chip và sự cố Microsoft 365.

Đã duyệt độc lập · cập nhật 16/11/2026 · 21 min

1. Model rẻ hơn và "avalanche" của NVIDIA

Nate B Jones mở đầu bằng một câu hỏi thẳng vào người xem (video đăng ngày 16/11/2026): nếu năm nay bạn đã chuyển việc sang một model AI rẻ hơn, thì bạn là một phần của vấn đề mà NVIDIA đã lo lắng từ hồi tháng 8.

Nate B Jones ngồi sau bàn gỗ trước kệ sách, mặc áo hoodie Michigan
Nate B Jones mở đầu video đăng ngày 16/11/2026 về model rẻ hơn và chi tiêu cho AI.

Theo Nate (video đăng ngày 16/11/2026), The Wall Street Journal đưa tin Jensen Huang đã nói với đội tài chính của mình rằng chip, wafer và bộ nhớ mà NVIDIA đã cam kết mua đang ập tới ông như, nguyên văn, một "avalanche" (trận tuyết lở). Tất cả chỗ đó cần có khách hàng trả tiền, và theo anh, khách hàng đang ngày càng khôn hơn.

Anh nói (video đăng ngày 16/11/2026): bạn đã phát hiện ra model rẻ hơn làm được hầu hết công việc, nên bạn thôi trả tiền cho model đắt. Anh nghe điều đó lặp đi lặp lại. Nhu cầu với AI là rất, rất thật. Nó cực kỳ lớn. Điều anh muốn biết là nhu cầu đó có đang tăng với tốc độ khoảng 10 lần hoặc hơn, mức đủ để trả hóa đơn cho việc mở rộng năng lực (capacity build-out), hay không.

2. Số liệu chi tiêu AI của Ramp

Theo Nate (video đăng ngày 16/11/2026), Ramp theo dõi chi tiêu cho AI của các doanh nghiệp. Ramp báo cáo gần như không có tăng trưởng nào trong chi tiêu cho token suốt tháng 8 và tháng 9. Hai tháng gần như đi ngang, tiếp theo là mức tăng chưa tới 2%, vẫn là tăng trưởng cực kỳ chậm.

Anh nói (video đăng ngày 16/11/2026) như vậy là còn rất xa mức chi tiêu tăng gấp mười mà ta muốn thấy để duy trì kiểu build-out các lab đang nói tới, ít nhất là không ở tốc độ đó.

Nate cũng nói rõ (video đăng ngày 16/11/2026), với tư cách một người đã theo dõi số chi tiêu của Ramp, rằng các con số này dao động nhiều. Có những tháng bạn thấy tăng 30 đến 40% chỉ trong một tháng, và có những tháng đi ngang hoàn toàn.

Điều khiến chuyện này thú vị hơn, theo anh (video đăng ngày 16/11/2026): nếu đào vào các bảng chéo (cross-tab) trong báo cáo gần nhất của Ramp, các model đắt nhất thực ra lại giành thêm thị phần chi tiêu trong tháng 10. Chiếm thị phần lớn hơn là tốt cho các nhà cung cấp những model đó, nhưng không có nghĩa thị trường tổng thể đang tăng đủ nhanh để duy trì việc mở rộng năng lực. Và đó là vấn đề anh quan tâm.

Thẻ AI News Roundup ghi 67.7% sang 69.5%, Frontier Models, September sang October
Thẻ "AI News Roundup" ghi "67.7% → 69.5%", "Frontier Models", "September → October", chân thẻ ghi "Share of spend, not tokens · Ramp": thị phần chi tiêu (không phải token) của các frontier model từ tháng 9 sang tháng 10 (thẻ trong video đăng ngày 16/11/2026).

3. Chuyển việc sang model rẻ hơn, lặp đi lặp lại

Theo Nate (video đăng ngày 16/11/2026), tăng trưởng chi tiêu chậm như vậy khớp với nhiều cuộc trò chuyện anh đang có dạo này. Các công ty đang nhận ra họ có thể chuyển việc sang một model rẻ hơn, lặp đi lặp lại. Họ thử xem model đó có làm được việc không, và khi model ngày càng tốt lên, nó thường làm được, và họ dùng nó. Họ không cần model thông minh nhất cho mọi bước của quy trình, và họ biết mình không cần trả tiền cho nó.

Anh nói (video đăng ngày 16/11/2026) điều đó khớp với những gì các doanh nghiệp đã nói với Ramp: họ đang đặt các mặc định (default) hướng nhân viên sang những model rẻ hơn, vì những model đó làm việc đủ tốt.

Nate đưa ra một ví dụ rất đơn giản (video đăng ngày 16/11/2026): hãy hình dung một khách hàng chuyển việc thường ngày sang một model rẻ hơn của cùng một lab. Lab vẫn giữ được khách hàng đó như một khách hàng trả tiền. Lượng token dùng sẽ tăng vọt, nhưng hóa đơn hoặc không tăng, hoặc tăng chậm hơn nhiều.

Việc thường ngàychuyển sang model rẻ Cùng một labvẫn giữ khách hàng Token tăng vọthóa đơn tăng chậm Ví dụ của Nate B Jones, video đăng ngày 16/11/2026
Hình 3.1Ví dụ của Nate (video đăng ngày 16/11/2026): khách hàng chuyển việc thường ngày sang model rẻ hơn của cùng lab; lượng token tăng vọt nhưng hóa đơn hoặc không tăng, hoặc tăng chậm hơn nhiều.

Theo Nate (video đăng ngày 16/11/2026), Anthropic đã có mức tăng trưởng phi thường, kèm theo những cam kết năng lực tính toán khổng lồ. Câu hỏi bây giờ là lần tăng chi tiêu gấp mười tiếp theo sẽ đến từ đâu, nếu ngày càng nhiều khách hàng học được cách chuyển xuống những model rẻ hơn. Và theo anh, trong tuần vừa rồi (tính tới video đăng ngày 16/11/2026), Google vừa cho khách hàng thêm một cách để làm điều đó.

4. Gemini 4 Carbon, Hydrogen và Orchestrator

Theo Nate (video đăng ngày 16/11/2026), Carbon và Hydrogen là hai model Gemini mới của Google. Carbon xử lý các bài suy luận khó, còn Hydrogen được làm cho việc thực thi nhanh hơn. Bên trong phần mềm Antigravity của Google, một tính năng tên Orchestrator sẽ tự chuyển qua lại giữa hai model này trong lúc làm task.

Thẻ AI News Roundup ghi Gemini 4, Carbon Deep Reasoning, Hydrogen Fast Execution
Thẻ "Gemini 4": "Carbon · Deep Reasoning", "Hydrogen · Fast Execution", chân thẻ ghi "Google · Nov 10 / Nov 12" (thẻ trong video đăng ngày 16/11/2026).

Nate nói (video đăng ngày 16/11/2026): anh biết Antigravity hiện không phải phần mềm quá được developer ưa chuộng, nhưng điểm chính là ngày càng có nhiều loại model như thế này để dùng.

Anh lấy ví dụ các việc coding (video đăng ngày 16/11/2026): bạn có thể muốn một model rất giỏi để tìm ra vì sao một thứ bị hỏng và có thể lên kế hoạch sửa. Nhưng một khi quyết định đã xong, bạn sẽ chuyển một loạt phần việc coding còn lại cho một model rẻ hơn, nhanh hơn. Theo Nate, đây là điều anh thấy trong cách anh tự dùng, và trong cách dùng của mọi người quanh anh đang dùng công cụ AI, không chỉ ở startup mà cả ở các công ty truyền thống.

Theo Nate (video đăng ngày 16/11/2026), trong thử nghiệm của chính Google, công cụ Orchestrator đạt tỉ lệ thành công rất gần với Carbon, trong khi tiêu tốn ít hơn 24% quota và xong nhanh hơn 19%. Thẳng thắn mà nói, theo anh, một số con số anh thấy từ những người dùng model open source còn tốt hơn: họ rẻ hơn 80, 90% hoặc hơn nữa, và vẫn xong nhanh hơn với kết quả tương đương.

Vậy nên với những người đang tiêu thụ token AI lúc này, theo Nate (video đăng ngày 16/11/2026), đây là một câu chuyện tuyệt vời, một kết quả cực kỳ hữu ích. Giờ nhiều việc hơn vừa trong cùng một hạn mức, dù bạn đang code hay làm việc khác. Ít thời gian chờ hơn, model đắt được dùng ít hơn, hóa đơn hoặc giảm, hoặc đi ngang.

Anh nói (video đăng ngày 16/11/2026) đây là hướng anh thấy các công ty đang đi, một cách áp đảo: họ muốn AI chạy được, và họ đang cân nhắc kỹ hơn nhiều về số tiền mình trả cho nó. Vì vậy họ không để tâm tới các điểm số trí tuệ mới; những điểm số đó chỉ có ý nghĩa nếu chúng cho phép họ làm điều trước đây không làm được. Với những việc họ đã biết cách hoàn thành, thực thi rẻ hơn thường là một thông báo hấp dẫn hơn rất, rất nhiều.

5. Chi tiêu mới đang đi về đâu

Theo Nate (video đăng ngày 16/11/2026), còn có một manh mối cho tất cả chuyện này trong báo cáo tháng 11 gần nhất của Ramp, về việc chi tiêu mới đang đến từ đâu. Trong phần chi tiêu AI mà Ramp xác định được theo phòng ban, customer success và support có vẻ đã tăng từ dưới 1% vào tháng 6 lên hơn 13% chi tiêu AI vào tháng 10.

Thẻ AI News Roundup ghi 0.8% sang 13.3%, Customer Success và Support, June sang October
Thẻ ghi "0.8% → 13.3%", "Customer Success & Support", "June → October", chân thẻ ghi "Of AI spend Ramp can tie to a department" (thẻ trong video đăng ngày 16/11/2026); Nate nói "dưới 1%" và "hơn 13%".

Theo anh (video đăng ngày 16/11/2026), AI đang bắt đầu vươn ra ngoài engineering, sang những loại công việc khác. Và nhiều phần trong số việc đó chỉ cần một câu trả lời nhanh và tiết kiệm. Nó không cần một câu trả lời ở mức frontier.

Nate lấy ví dụ (video đăng ngày 16/11/2026): nếu một khách hàng muốn biết lô hàng của mình đang ở đâu, công ty chỉ cần đúng thông tin đơn hàng và lấy ra đúng trạng thái. Vậy thôi. Đó không phải một truy vấn phức tạp. Và trả tiền cho khả năng suy luận sâu hơn đơn giản là không hợp lý với hầu hết các yêu cầu kiểu đó.

Theo anh (video đăng ngày 16/11/2026), bạn có thể phát triển kiểu business đó rất đáng kể trong khi chọn model rẻ hơn cho hầu hết phần việc, mà không làm thay đổi tổng hóa đơn của mình. Và đó chính xác là kiểu mẫu hình mà dữ liệu phản ánh.

6. Phía bên kia giao dịch: nguồn cung NVIDIA đã cam kết

Nate đề nghị nhìn chuyện này từ phía bên kia của giao dịch một chút (video đăng ngày 16/11/2026). Theo anh, các lab đã đặt năng lực tính toán trước nhiều, nhiều năm. Trong cùng lúc đó, khách hàng của họ đang học cách mua trí tuệ hiệu quả hơn. Các lab cần đủ business tăng thêm để bù cho giá thấp hơn, rồi sau đó cần tăng trưởng vượt xa mức đó để biện minh cho định giá của mình.

Slide NVIDIA's Avalanche với hai ô Buyers Less per Unit và Labs Capacity Ordered Years Ahead
Slide "NVIDIA's Avalanche": ô "Buyers: Less per Unit" và ô "Labs: Capacity Ordered Years Ahead", dòng dưới ghi "Two sides of the transaction" (slide trong video đăng ngày 16/11/2026).

Theo Nate (video đăng ngày 16/11/2026), đó là lý do tin mới về Jensen quan trọng đến vậy. The Wall Street Journal mô tả một cuộc họp hồi tháng 8 về việc NVIDIA hỗ trợ tài chính cho các khách hàng tiềm năng. Theo tin đó, Jensen Huang lo ngại các cam kết đang chồng chất, và các nhà cung cấp cloud lớn vì thế đang tìm tới chip thay thế.

Anh nói (video đăng ngày 16/11/2026) câu "avalanche" nhắc ở đầu được nói ra trong cuộc trao đổi đó, và nó nói về nguồn cung mà NVIDIA đã cam kết mua, như một phần của việc tự mở rộng chip và năng lực để bán cho các data center.

Theo Nate (video đăng ngày 16/11/2026), ta đã biết NVIDIA tham gia rất sâu vào việc cấp vốn cho toàn bộ cuộc build-out AI; anh không nghĩ điều đó còn làm ai bất ngờ. Điều bài báo này thêm vào là mối lo bên trong NVIDIA về cách những cam kết đó đang tiến triển, và về việc chúng có thể khiến công ty chịu rủi ro về lâu dài.

Anh nói rõ (video đăng ngày 16/11/2026): không điều gì trong số này là bằng chứng rõ ràng rằng ngành đã xây thừa cho tới giờ. Khác với thời dot-com, ta vẫn có nhu cầu token tăng vọt. Nhưng nó cho ta lý do để ít nhất xem xét liệu năng lực đang được đặt mua có khớp với mức sẵn lòng trả nhiều hơn theo thời gian của doanh nghiệp hay không.

Theo Nate (video đăng ngày 16/11/2026), trong thế giới này, nhất là khi giá token giảm, nhu cầu vẫn có thể tăng nhanh đáng kinh ngạc mà vẫn khiến tất cả những người đã cấp vốn cho thiết bị thất vọng.

7. Phép tính của data center

Nate đưa ra một phép tính (video đăng ngày 16/11/2026): giả sử một doanh nghiệp dùng AI nhiều gấp hai hoặc gấp bốn lần, nhưng trả một nửa hoặc một phần tư cho mỗi đơn vị. Theo anh, đó là thế giới ta đang sống. Tổng chi tiêu không thay đổi. Nhà cung cấp có thể phục vụ nhiều yêu cầu hơn rất nhiều, nhưng không thu thêm được đồng nào từ khách hàng.

Slide The Math với ba ô 2-4x the AI, một nửa đến một phần tư the Unit Price, bằng Same Bill
Slide "The Math": "2–4× the AI", "½–¼ the Unit Price", "= Same Bill", dòng dưới ghi "Nate's example" (slide trong video đăng ngày 16/11/2026).

Theo Nate (video đăng ngày 16/11/2026), đó không phải cách duy nhất chi phí tác động lên câu chuyện này. Phần cứng tốt hơn và model hiệu quả hơn cũng đang làm giảm chi phí của nhà cung cấp, và đó là một phần lý do khiến dịch vụ rẻ hơn có thể tồn tại.

Nhưng theo anh (video đăng ngày 16/11/2026), một data center cụ thể có thu hồi được tiền hay không phụ thuộc vào việc nó tính giá được bao nhiêu, giành được bao nhiêu business, và tốn bao nhiêu để xây ngay từ đầu. Đó đều là những con số, thứ nhất, độc quyền (proprietary), và thứ hai, khác nhau giữa từng data center.

Theo Nate (video đăng ngày 16/11/2026), một model rẻ hơn vẫn có thể là một business tốt nếu nó đủ rẻ để chạy, và một data center bận rộn vẫn có thể là một khoản đầu tư rất tệ nếu giá khách hàng trả không bù được chi phí. Anh nói điều đó hợp lý thôi.

Lúc này, theo Nate (video đăng ngày 16/11/2026), ta thật sự cần hiểu, theo từng data center, chỗ nào chi phí cung cấp công việc và doanh thu từ việc bán nó cộng lại khớp hay không khớp. Và tiếc là vì hầu hết những thứ này dĩ nhiên rất độc quyền, ta không ở vị trí để biết điều đó. Ta không biết chắc biên lợi nhuận là bao nhiêu. Ta không biết chắc các điều kiện kích hoạt (trigger) và bảo lãnh nằm ở đâu trong hệ thống. Và ta không biết chắc các data center đang được xây có bù được chi phí của mình trong lúc vận hành hay không.

Vì vậy, theo anh (video đăng ngày 16/11/2026), khi nghĩ về tương lai, việc tự hỏi liệu ta có đang ở vị trí mà thị trường tăng trưởng lành mạnh hay không là hợp lý.

8. Hai câu chuyện: nhu cầu tăng vọt, giá token giảm mạnh

Khi nhìn vào đó, Nate nói anh thấy hai câu chuyện (video đăng ngày 16/11/2026). Một câu chuyện về nhu cầu token tăng vọt, ngày càng nhiều doanh nghiệp dựa vào AI; tất cả đều đúng. Nhưng anh cũng thấy một câu chuyện về chi phí token giảm mạnh.

Nhu cầu token tăng vọtnhiều doanh nghiệp dựa vào AI Chi phí tokengiảm mạnh Câu hỏi: frontier lab có giữ được tốc độ tăng doanh thu nếu tổng chi tiêu token đi ngang?
Hình 8.1Hai câu chuyện Nate thấy (video đăng ngày 16/11/2026) và câu hỏi anh đang theo dõi kỹ: các frontier lab có giữ được tốc độ tăng doanh thu họ nhắm tới trong năm tới hay không nếu tổng chi tiêu token đi ngang.

Theo Nate (video đăng ngày 16/11/2026), điều anh đang xem xét rất kỹ là các frontier lab có giữ được những bội số doanh thu mà họ đang nhắm tới trong năm tới hay không, nếu tổng chi tiêu token vẫn đi ngang.

Anh nói (video đăng ngày 16/11/2026) vẫn có một thị trường đáng kể cho những model giỏi nhất, và anh không nghi ngờ điều đó. Thực tế, theo anh, ta thấy điều đó trong dữ liệu của Ramp: các frontier model mới đắt nhất chiếm khoảng 70% chi tiêu. Câu hỏi chưa có lời giải là thị trường đó tăng nhanh tới đâu so với các cam kết đang được đưa ra xung quanh nó.

Nate nói (video đăng ngày 16/11/2026): anh không có câu trả lời, và bất kỳ ai nói họ có câu trả lời thì không có. Anh nghĩ sự kết hợp giữa khách hàng chuyển xuống model rẻ hơn và mối lo được đưa tin về nguồn cung sắp đổ về khiến đây thành một câu hỏi mà tất cả chúng ta nên chú ý.

Và dù muốn hay không, theo Nate (video đăng ngày 16/11/2026), dữ liệu của Ramp giờ đã trở nên ít nhất cũng quan trọng như Fed trong việc hiểu một trong những động lực chính của nền kinh tế lúc này. Ta phải hiểu chi tiêu AI để hiểu nền kinh tế AI đang đi về đâu và đang tăng trưởng ra sao.

9. Cần nghe gì ở earnings call sắp tới của NVIDIA

Để nói rõ về luận điểm vĩ mô, Nate nói (video đăng ngày 16/11/2026) anh vẫn nghĩ chúng ta đang phân bổ cho AI quá ít một cách nghiêm trọng, xét tổng thể. Chỉ là ta cần thấy ROI rõ ràng cho doanh nghiệp thì họ mới phân bổ thêm. Và cho tới khi họ thấy máy tính tiền reo, việc dừng ở mức, anh hỏi, 0,1, 0,2, 0,3, 0,4% tổng doanh thu sẽ là nơi hầu hết doanh nghiệp chạm trần.

Vì thế, theo Nate (video đăng ngày 16/11/2026), khi ta bước vào buổi earnings call tiếp theo của NVIDIA, vốn đã rất gần, anh muốn nghe nhiều hơn là chỉ kết quả quý. Anh nghĩ nhà đầu tư sẽ hỏi về quỹ đạo của NVIDIA như một doanh nghiệp, và ngầm hiểu là họ sẽ hỏi về quỹ đạo của toàn bộ cuộc build-out AI.

Slide What to Watch với ba câu hỏi đánh số
Slide "What to Watch": 1 "Bigger Order Book?", 2 "Secure Demand Growth?", 3 "Secure Financing?", dòng dưới ghi "NVIDIA's next earnings call" (slide trong video đăng ngày 16/11/2026).

Theo Nate (video đăng ngày 16/11/2026), các câu hỏi là: có một sổ đặt hàng lớn hơn ở phía trước không? Ta có thấy tăng trưởng nhu cầu chắc chắn và tăng trưởng nguồn vốn chắc chắn, đủ để ta yên tâm với build-out hay không? Anh nói đó sẽ là một điểm lớn cần theo dõi trong tuần tới.

10. Kiểm soát xuất khẩu và dấu vân tay chip trong model

Theo Nate (video đăng ngày 16/11/2026), việc xem earnings call diễn ra thế nào còn quan trọng hơn nữa, vì giờ đã có một sáng kiến lưỡng đảng, được Anthropic và OpenAI ủng hộ, nhằm hạn chế thêm việc xuất khẩu chip sang Trung Quốc. Anh nghĩ điều này có lẽ là không tránh khỏi sau khi vụ bê bối của Jensen nổ ra, nhưng nó sẽ ảnh hưởng tới cách việc bán chip của NVIDIA thực sự vận hành, nhất là nếu các kênh bán bị đóng, chẳng hạn qua Singapore hoặc những nơi khác mà các công ty Trung Quốc có thể thuê năng lực tính toán.

Nate nói (video đăng ngày 16/11/2026) có thêm một tin mà anh không nghĩ đã nhận đủ sự chú ý, và nó sẽ đổ thêm dầu vào lửa trong chuyện kiểm soát xuất khẩu. Theo anh, Will DePue đã xem xét sáu model open source đã phát hành, từ bốn lab Trung Quốc khác nhau, trong đó có DeepSeek và Moonshot. Trong nghiên cứu của mình, ông tìm thấy những dấu vân tay dạng số khớp với chip Blackwell GB200 và GB300 của NVIDIA, cả hai đều thuộc diện kiểm soát xuất khẩu và lẽ ra không bao giờ được xuất hiện trong các model open source ở Trung Quốc.

Nate nói bạn có thể thắc mắc ông ấy tìm ra bằng cách nào (video đăng ngày 16/11/2026), và đó là phần thú vị. Một model có thể chứa hàng tỉ, hàng tỉ giá trị số gọi là weight; theo anh, tới giờ ta cũng đại khái biết nó hoạt động như vậy. Trước khi train, các giá trị đó phải được đặt ban đầu, hay khởi tạo (initialize). Phần cứng góp phần quyết định các con số khởi đầu được sắp xếp thế nào, và một số dấu vết của trạng thái ban đầu đó còn sống sót qua quá trình train. Vì vậy các nhà nghiên cứu lần ngược từ những model đã phát hành để xác định phần cứng có thể tạo lại các mẫu hình họ thấy.

Slide Chip Fingerprints với ba ô Starting Weights, Hardware Pattern, Trace Survives
Slide "Chip Fingerprints": ba ô "Starting Weights" → "Hardware Pattern" → "Trace Survives", dòng dưới bắt đầu bằng "Illustrative mechanism" (slide trong video đăng ngày 16/11/2026).

Nói cách khác, theo Nate (video đăng ngày 16/11/2026), bản thân model có thể chứa bằng chứng về thiết bị đã dùng để tạo ra nó. Bạn không nhất thiết cần một hóa đơn bị rò rỉ hay một người bên trong công ty kể lại thì mới thấy chip nào đã được dùng.

Theo anh (video đăng ngày 16/11/2026), các dấu vân tay ủng hộ việc đã có quyền truy cập Blackwell, nhưng điều chúng không nói được là: những con chip đó ở đâu vào thời điểm đó? Quyền truy cập chip được lấy bằng cách nào? Toàn bộ lần train có diễn ra trên chúng không? Còn một loạt câu hỏi điều tra chưa có lời giải.

Nhưng điều thay đổi, theo Nate (video đăng ngày 16/11/2026), là giờ các nhà điều tra có một thứ kỹ thuật để xem xét độc lập với những gì một công ty có thể nói về phần cứng của mình và về câu chuyện model đó ra đời thế nào. Anh đoán là về mặt câu chuyện, điều này sẽ đổ thêm dầu vào lửa cho kiểm soát xuất khẩu.

11. OpenAI, Anthropic và Chip Security Act

Theo Nate (video đăng ngày 16/11/2026), đó là điều ta thấy ở lần đổi hướng chính sách gần đây của OpenAI. Bloomberg đưa tin OpenAI đã nói với các nhà lập pháp rằng họ ủng hộ một gói kiểm soát chip chặt hơn. Anthropic thì đã ủng hộ các biện pháp đó từ trước. Các biện pháp đó có sự ủng hộ của cả hai đảng. Và theo anh, khi cả hai lab đều ủng hộ và cả hai đảng đều ủng hộ, sự ủng hộ giờ đang tăng cho việc thực sự đóng các con đường mà năng lực tính toán bị hạn chế vẫn có thể tới tay developer Trung Quốc.

Theo Nate (video đăng ngày 16/11/2026), một đề xuất, Chip Security Act, sẽ yêu cầu xác minh vị trí cho các chip tiên tiến thuộc diện kiểm soát xuất khẩu. Anh nói ý tưởng khá đơn giản: một lô hàng đi tới bất kỳ điểm đến được phép nào không được phép biến mất khỏi tầm nhìn rồi trong bất kỳ trường hợp nào lại xuất hiện ở nơi khác.

Chip tiên tiếndiện kiểm soát Điểm đếnđược phép xác minh vị trí nơi khác: không
Hình 11.1Ý tưởng của Chip Security Act theo lời Nate (video đăng ngày 16/11/2026): chip tiên tiến thuộc diện kiểm soát xuất khẩu phải được xác minh vị trí, để một lô hàng tới điểm đến được phép không thể biến mất rồi xuất hiện ở nơi khác.

Theo Nate (video đăng ngày 16/11/2026), chuyện này nối tiếp câu chuyện an ninh liên quan tới Trung Quốc: Huang đã thừa nhận có quan hệ ngoài luồng với một lãnh đạo của Megaspeed, người mà các quan chức Mỹ tin là đã làm việc cho tình báo Trung Quốc. Và một phần của cáo buộc ở đó, theo Nate (video đăng ngày 16/11/2026), là cáo buộc rằng những con chip kia đã bị chuyển tới nơi khác.

Nate nói (video đăng ngày 16/11/2026) Trung Quốc bác bỏ các cáo buộc đó, và dĩ nhiên ta phải xem mọi chuyện diễn biến ra sao. Nhưng theo anh, nó đang ở trong luồng gió chính trị lúc này, và là một phần của câu chuyện đang thúc đẩy sự ủng hộ lưỡng đảng cho dự luật này.

12. Sự cố Microsoft 365

Nate nói còn một câu chuyện nữa anh muốn đề cập (video đăng ngày 16/11/2026), vì nó ảnh hưởng tới bất kỳ ai đang được đề nghị giao cho các công ty này nhiều việc hơn, mà theo anh đó thực chất là điều các lab đang đề nghị các công ty làm. Anh đang nói tới sự cố Microsoft 365.

Theo Nate (video đăng ngày 16/11/2026), sự cố Microsoft 365 ngày 12 tháng 11 đã làm gián đoạn Outlook, Teams và các dịch vụ khác mà doanh nghiệp phụ thuộc vào. Microsoft giờ nói một lần nâng cấp năng lực mạng trước đó đã đưa vào một vấn đề, và vấn đề này lộ ra sau một thay đổi mạng diễn ra sau đó. Microsoft nói sự cố không liên quan tới hoạt động tấn công mạng hay bất kỳ AI agent nào trên hệ thống. Nate nói: và anh tin Microsoft.

Thẻ Microsoft's Explanation với trích đoạn một bài báo, Earlier Network Capacity Upgrade, Not Cyber or AI Agents
Thẻ "Microsoft's Explanation" trích một bài báo dẫn tuyên bố của Microsoft: "This was a technical issue not related to cyber or AI / agents", bên dưới ghi "Earlier Network Capacity Upgrade", "Not Cyber or AI Agents" và nguồn "Microsoft statement · via NBC News" (thẻ trong video đăng ngày 16/11/2026).

Theo Nate (video đăng ngày 16/11/2026), đó là lời giải thích kỹ thuật. Nhưng mối lo lớn hơn của anh là văn hóa kỹ thuật của Microsoft tác động thế nào tới khả năng ngăn một sai lầm, khoanh vùng nó và phục hồi sau nó.

Theo anh (video đăng ngày 16/11/2026), trong bộ phận developer của Microsoft, một số quản lý đã được bảo rằng việc dùng AI nên được tính vào đánh giá nhân viên. Anh nói rõ Microsoft không phải trường hợp duy nhất: anh đã nghe những câu chuyện tương tự từ Meta, từ Amazon và các công ty lớn khác.

13. Văn hóa kỹ thuật và kiến thức của kỹ sư lâu năm

Theo Nate (video đăng ngày 16/11/2026), hồi mùa xuân công ty cũng đã đưa ra các gói nghỉ hưu cho những nhân viên làm việc rất lâu năm, và anh nghĩ điều đó cũng liên quan. Khi bạn thưởng cho người ta vì dùng AI và khuyến khích những người giàu kinh nghiệm rời đi, bạn cần thật chắc chắn rằng mình đang giữ lại kiến thức cần thiết để vận hành những hệ thống cực kỳ phức tạp mà giờ bạn đang thay đổi với tốc độ cao hơn.

Theo Nate (video đăng ngày 16/11/2026), cựu kỹ sư Azure Axel Rietschin đã mô tả nhiều, nhiều năm sửa chữa chắp vá và chuyên môn cấp cao bị mất đi bên trong mảng cloud của Microsoft. Anh nói lời kể của ông tập trung vào Azure, là một dịch vụ riêng. Nhưng theo anh, điểm chính ở đây là có một câu hỏi lớn hơn mà nhiều công ty đang vật lộn: các công ty đối xử với kiến thức kỹ thuật thế nào, nhất là trong thời đại AI.

Thẻ AI News Roundup ghi Axel Rietschin, Former Azure Core Engineer
Thẻ "Axel Rietschin", "Former Azure Core Engineer", chân thẻ ghi "April 2026 · His own account About Azure, not Microsoft 365" (thẻ trong video đăng ngày 16/11/2026).

Theo Nate (video đăng ngày 16/11/2026), các bài viết gần đây của Gergely Orosz về những công ty trong đó có Uber và Meta cũng lặp lại những chủ đề tương tự: mức dùng cao và lượng code viết ra nhiều, mà không có sự chú ý tương xứng tới việc phần mềm liên quan có thực sự tốt lên hay không.

Rốt cuộc, theo Nate (video đăng ngày 16/11/2026), bất kể nguyên nhân kỹ thuật là gì, đó là rủi ro anh thấy khi yêu cầu các công ty tăng mạnh mức dùng AI mà không cẩn trọng. Bạn có thể đo được nhiều hoạt động mà vẫn bỏ sót thứ làm nên sự đáng tin cậy của dịch vụ, và bạn có thể để nhân tài con người bước ra khỏi cửa đúng vào lúc bạn cần họ nhất.

Theo anh (video đăng ngày 16/11/2026), một kỹ sư giàu kinh nghiệm có mặt ở đó là có lý do. Họ biết hết những "bộ xương trong tủ". Họ nhớ các lần hỏng. Và khi có gì đó hỏng, họ biết phải nhìn vào chỗ nào để sửa.

Nate kể (video đăng ngày 16/11/2026) hồi anh còn ở Amazon, đúng nghĩa đen có một người đàn ông ở trên một chiếc thuyền mà người ta gọi mỗi khi AWS sập, và ông ấy có thể tới sửa. Theo anh, đây là thứ ta rất cần có nhiều hơn khi dựa nhiều hơn vào AI.

14. Sự cố tháng 3 của Amazon và các câu hỏi quản lý

Nate nói (video đăng ngày 16/11/2026) không điều gì trong số này có nghĩa là AI không tạo thêm giá trị. Anh chỉ muốn chỉ ra rằng nếu ta định yêu cầu các công ty tăng chi tiêu, điều mà các lab đang làm, thì ta cần làm theo cách cho phép các công ty cải thiện độ tin cậy và bảo mật của phần mềm trên đường đi. Và điều đó đòi hỏi giữ nguyên vẹn văn hóa kỹ thuật.

Theo Nate (video đăng ngày 16/11/2026), lời giải thích của chính Amazon về một sự cố hồi tháng 3 liên quan tới AI cho thấy vì sao chuyện này nhiều rủi ro như vậy. Một kỹ sư lúc đó đã làm theo lời khuyên sai của AI, lấy từ một trang wiki đã lỗi thời. Amazon gọi nguyên nhân là lỗi người dùng; anh nói điều đó đúng. Amazon khẳng định nó không liên quan tới AI, và anh nói mình có đôi chút thắc mắc về điều đó. Amazon cũng nói các cơ chế kiểm soát của mình đã để sai lầm đó gây tác động quá lớn; anh đồng ý với điều đó.

Thẻ Amazon's March Incident với trích đoạn văn bản, Incorrect AI Advice, An Outdated Internal Wiki
Thẻ "Amazon's March Incident": một trích đoạn văn bản, rồi "Incorrect AI Advice" và "An Outdated Internal Wiki"; chân thẻ ghi "About Amazon · Mar 11, 2026 Amazon also said the cause was unrelated to AI" (thẻ trong video đăng ngày 16/11/2026).

Nhưng theo Nate (video đăng ngày 16/11/2026), ngay cả trong lời kể đó, chất lượng thông tin và các lớp kiểm tra quanh người kỹ sư cũng quan trọng vô cùng. Anh nói việc có những văn hóa kỹ thuật mạnh, cho phép kiểu hệ thống đó ngày càng đáng tin cậy hơn theo thời gian thay vì xuống cấp, là thật sự, thật sự quan trọng.

Theo Nate (video đăng ngày 16/11/2026), ta sẽ không có một lời giải thích chính thức về mặt văn hóa cho nguyên nhân gốc của sự cố. Ta sẽ có một lời giải thích kỹ thuật, nhưng sẽ không biết việc bố trí nhân sự hay các ưu đãi gắn với AI có góp phần gì vào sự cố Microsoft hay không. Dù vậy, anh nghĩ ở nhiều khía cạnh, đó là câu hỏi đáng hỏi nhất sau một sự cố toàn cầu như thế này.

Theo anh (video đăng ngày 16/11/2026), một lỗi mạng thông thường không trả lời được các câu hỏi quản lý. Nó không trả lời được lỗi đó đã lọt vào từ đầu như thế nào, vì sao tác động lớn đến vậy, vì sao phục hồi khó khăn đến vậy và mất nhiều thời gian đến vậy.

Nate nói (video đăng ngày 16/11/2026) mọi công ty ở quy mô này đều cam kết với bảo mật và chất lượng; anh không hề nghi ngờ Microsoft cam kết với bảo mật và chất lượng phần mềm của mình. Nhưng mối lo lớn hơn của anh là ta đã thấy nhiều tuyên bố công khai, không chỉ từ Microsoft mà từ các công ty lớn khác, về những thay đổi mạnh trong văn hóa kỹ thuật để phục vụ AI.

Theo Nate (video đăng ngày 16/11/2026), một trong những điều anh thấy ở các văn hóa kỹ thuật thành công trong thời đại AI là họ không lấy đi kinh nghiệm sâu của developer. Họ thực ra xây tiếp trên nền đó, để có thể dùng AI hiệu quả nhằm tăng độ tin cậy và chất lượng phần mềm trong hệ thống của mình. Anh nói đó là điều ta cần nghĩ tới nhiều hơn, và anh nghĩ đó là một trong những thứ đang cản đường mức tăng chi tiêu gấp 10 lần mà các lab đang tìm kiếm. Ta cần xây dựng văn hóa kỹ thuật.

15. Điều này có ý nghĩa gì cho năm 2027

Rốt cuộc, theo Nate (video đăng ngày 16/11/2026), anh không thấy một số xu hướng này thay đổi trong thời gian tới. Khách hàng sẽ tiếp tục học cách mua AI rẻ hơn. Các nhà cung cấp có một lượng năng lực khổng lồ sắp đi vào hoạt động trong khoảng một năm tới. Các chính phủ đang quyết định ai được dùng một phần năng lực đó và ai không; đó là chuyện kiểm soát xuất khẩu sang Trung Quốc. Và các công ty xây và vận hành những hệ thống này cần đủ doanh thu để giữ cho cuộc build-out tiếp tục.

Slide Close với bốn dòng đánh số
Slide "Close": 1 "Buyers Get Cheaper", 2 "Capacity Is Coming", 3 "Governments Decide Access", 4 "Companies Need Revenue" (slide trong video đăng ngày 16/11/2026).

Nate bảo hãy gạch chân điều này ba lần (video đăng ngày 16/11/2026): anh kỳ vọng mọi người sẽ dùng AI nhiều hơn rất nhiều trong năm 2027. Câu hỏi anh có là liệu mức tăng chi tiêu có cao ngất như các lab cần hay không.

Theo Nate (video đăng ngày 16/11/2026), anh cũng kỳ vọng chi tiêu tăng trong năm 2027. Anh chỉ tự hỏi phần tăng đó sẽ chảy về các bên làm model, hay sẽ đi xa hơn lên phía trên stack, tới những chỗ AI thực sự giúp doanh nghiệp làm máy tính tiền reo.

Anh nói (video đăng ngày 16/11/2026) giá token AI sẽ tiếp tục giảm, và đó sẽ là thiên đường của người mua. Việc xây những văn hóa kỹ thuật mạnh là tùy ở chúng ta, để có thể thực sự triển khai các hệ thống AI mang lại lợi ích thật và bền vững. Theo anh, đó sẽ là công việc của năm 2027, và đó là bài học từ tin tức của khoảng một tuần vừa qua. Anh hẹn gặp lại lần sau.

Nguồn và liên kết 4 nguồn

  1. Tên gốc: AI Just Got Cheaper. Here's Why That's a Problem for NVIDIA.
  2. Sự kiện: YouTube
  3. Video gốc: https://www.youtube.com/watch?v=1aXBg-qQzgA youtube.com
  4. Kênh YouTube AI News & Strategy Daily | Nate B Jones (Nate B Jones): youtube.com/channel/UC0C-17n9iuUQPylguM1d-lQ youtube.com