Hook
Một buổi sáng tháng Tư, dòng tweet của Hua Jiang Chu – đồng sáng lập Aescape – đã châm ngòi cho một cuộc chiến tranh lạnh trong cộng đồng AI toàn cầu. Chu viết: 'Trong giới AI hiện nay, các nhà nghiên cứu được tôn sùng như quý tộc, còn kỹ sư hạ tầng bị đối xử như nông dân. Điều này là một sai lầm chết người.' Ngay lập tức, Elon Musk, CEO của Tesla và xAI, đã retweet kèm bình luận: 'Một nền văn hóa độc hại và hoàn toàn sai lầm.'
Sự việc tưởng chừng chỉ là một tranh luận nội bộ nhưng lại phơi bày một vết nứt sâu: liệu cấu trúc phân cấp kỹ sư-nhà nghiên cứu trong Silicon Valley có đang kìm hãm tốc độ phát triển của AI? Và ở phía bên kia đại dương, những đội ngũ AI Trung Quốc với văn hóa 'phẳng' và 'đa năng' đang lặng lẽ tạo ra lợi thế cạnh tranh mới?
Context
Để hiểu vấn đề, cần nhìn lại cách tổ chức nhân sự điển hình tại các phòng thí nghiệm AI hàng đầu thế giới. Trong mô hình cổ điển – phổ biến tại Google Brain, OpenAI giai đoạn đầu, DeepMind – có một thang bậc ngầm: - Research Scientist (Nhà nghiên cứu) là tầng lớp cao nhất. Họ nghĩ ra ý tưởng mới, viết paper, thường đến từ các trường Ivy League với hàng chục bài báo hội nghị hàng đầu. - Research Engineer (Kỹ sư nghiên cứu) là lớp giữa, chịu trách nhiệm hiện thực hóa ý tưởng thành code chạy được. - Software Engineer – Infrastructure (Kỹ sư hạ tầng) là tầng dưới cùng, được coi là 'thợ' chỉ làm việc bảo trì cluster, tối ưu distributed training, xử lý data pipeline.
Hệ quả: Các nhà nghiên cứu được trả lương cao, có danh tiếng, quyết định hướng đi. Còn kỹ sư hạ tầng – những người thực sự làm cho hàng nghìn GPU chạy trơn tru – thường bị gạt ra ngoài cuộc trò chuyện về chiến lược. Họ hiếm khi được vinh danh trong các bài báo, mặc dù nếu không có họ, các thí nghiệm quy mô lớn không thể diễn ra.
Văn hóa này bắt nguồn từ thời kỳ AI còn non trẻ, khi các khám phá lý thuyết như Attention Is All You Need chiếm ưu thế. Nhưng trong kỷ nguyên mô hình nền tảng (foundation model) với hàng trăm tỷ tham số, mọi thứ đã thay đổi.
Core Breakdown
1. Hạ tầng quyết định tốc độ thí nghiệm, từ đó quyết định sản lượng nghiên cứu.
Hua Jiang Chu nhấn mạnh: 'Ở quy mô mô hình tiên phong, hạ tầng trực tiếp quyết định tốc độ thí nghiệm, và do đó quyết định đầu ra nghiên cứu.' Một nhóm có thể có ý tưởng đột phá nhất, nhưng nếu framework distributed training của họ kém hiệu quả, nếu hệ thống mạng nội bộ có độ trễ cao, nếu họ không có kỹ sư chuyên sâu về parallelism strategy, thì thời gian mỗi vòng thử nghiệm sẽ dài gấp 3-5 lần so với đối thủ. Trong vòng 6 tháng, đội nào có vòng lặp nhanh hơn sẽ thu thập được nhiều dữ liệu hơn, thử nghiệm nhiều giả thuyết hơn, và tiến nhanh hơn.
2. Văn hóa 'phân cấp' tạo ra rào cản vô hình.
Nếu kỹ sư hạ tầng bị coi là ‘nông dân’, họ sẽ không có động lực đề xuất cải tiến sâu. Họ ít được ghi nhận, ít được gọi vào các cuộc họp chiến lược. Hệ quả: các vấn đề tinh vi – như tối ưu bộ nhớ cho mô hình 70B, cân bằng tải không đồng đều, phát hiện lỗi NCCL – có thể tồn tại trong nhiều tháng, khiến cluster chạy với hiệu suất thấp (MFU thấp).
3. Mô hình 'phẳng' của Trung Quốc đang chứng minh hiệu quả.
Trái ngược với Silicon Valley, nhiều đội ngũ AI Trung Quốc – như DeepSeek, Moonshot AI (Kimi), Zhipu AI – chọn cấu trúc tổ chức linh hoạt, ‘không biên giới’. Họ tuyển những người có thể vừa viết code training, vừa thiết kế thuật toán, vừa tối ưu hạ tầng. Một kỹ sư giỏi ở DeepSeek không chỉ viết PyTorch mà còn biết cách tinh chỉnh NCCL, viết custom kernel cho A100. Sự kết hợp này cho phép họ rút ngắn thời gian từ ý tưởng đến kết quả, và đặc biệt, tối ưu hóa chi phí tính toán – điều mà các đội ‘quý tộc’ ở Silicon Valley thường lãng phí vì không có tiếng nói từ tầng kỹ sư.
Contrarian Angle
Tuy nhiên, liệu mô hình ‘phẳng’ có phải là thánh dược? Có những điểm mù mà phân tích chưa đề cập.
Thứ nhất, sự chuyên môn hóa vẫn có giá trị. Những đột phá mang tính cách mạng – như deep learning, transformer, diffusion – thường đến từ các nhà nghiên cứu dành nhiều năm theo đuổi một lý thuyết thuần túy, không bị áp lực sản phẩm. Mô hình ‘phẳng’ quá mức có thể khiến team sa vào các cải tiến gia tăng, thiếu tầm nhìn dài hạn.
Thứ hai, văn hóa phân cấp cũng có lý do tồn tại. Silicon Valley sở hữu nguồn cung lớn các tiến sĩ AI hàng đầu thế giới. Để thu hút họ, các công ty phải tạo ra môi trường tôn vinh nghiên cứu. Nếu mọi người đều phải làm engineering, những bộ óc xuất sắc có thể chuyển sang nơi khác.
Thứ ba, sự vượt trội về kỹ thuật của mô hình phẳng đang bị thử thách khi quy mô vượt ngưỡng. Một đội 50 người có thể vận hành phẳng hiệu quả, nhưng với đội 2000 người như Google DeepMind, sự phân cấp là cần thiết để không rơi vào hỗn loạn.
Nhưng điều gì là quan trọng hơn? Câu trả lời nằm ở bối cảnh. Trong giai đoạn cạnh tranh về hiệu quả (ai tạo ra mô hình 70B chi phí thấp hơn), văn hóa phẳng chiếm ưu thế. Trong giai đoạn khám phá kiến trúc hoàn toàn mới (next-transformer), văn hóa nghiên cứu vẫn cần thiết.
Takeaway
Cuộc tranh luận này không chỉ là chuyện nội bộ Silicon Valley. Nó đặt ra câu hỏi mang tính chiến lược cho toàn ngành: Chúng ta đang ở giai đoạn nào của chu kỳ AI? Nếu trọng tâm đang chuyển từ lý thuyết sang tối ưu hóa, thì văn hóa nào sẽ dẫn dắt?
Đối với nhà đầu tư: hãy nhìn vào tổ chức, không chỉ vào CV. Một đội ngũ có kỹ sư hạ tầng ngồi cùng bàn với nhà nghiên cứu, có thể đưa ra quyết định kỹ thuật chung, đang có lợi thế vô hình.
Đối với lãnh đạo công ty AI: hãy kiểm tra văn hóa nội bộ. Kỹ sư của bạn có được lắng nghe? Họ có được trao quyền để cải thiện hệ thống? Nếu không, có thể bạn đang giữ họ trong vai trò 'nông dân', và vô tình làm chậm cuộc đua.