Gần đây, một kỹ sư phần mềm đến từ nhóm Google TPU là Patrick C. Toulme đã chia sẻ một quan điểm đáng chú ý. Ông cho rằng, Opus 5.5 có thể vẫn duy trì hiệu năng xuất sắc dù có kích thước nhỏ hơn và chi phí thấp hơn nhiều, rất có thể là nhờ công nghệ RSI (cải tiến tự thân đệ quy) và quá trình chưng cất thông qua một mô hình giáo viên nội bộ có quy mô lớn hơn. Theo suy đoán của ông, mô hình giáo viên bí ẩn đó có lẽ chính là Model-2 Mythos. Tất nhiên, về lộ trình huấn luyện cụ thể này, phía Anthropic hiện vẫn chưa đưa ra bằng chứng xác thực.
Với những suy đoán như vậy, cá nhân tôi tỏ ra rất đồng tình. Việc kết hợp RSI với công nghệ chưng cất cho thấy một hướng nghiên cứu mang tiềm năng lớn: để các mô hình có năng lực hàng đầu tham gia phát triển AI thế hệ kế tiếp, sau đó chuyển giao những năng lực mạnh mẽ đã được xác thực đó sang các sản phẩm có chi phí dễ tiếp cận hơn. Điều này đồng nghĩa với việc các phòng thí nghiệm tiên phong hoàn toàn có thể triển khai song song cả hai: vừa liên tục đột phá và mở rộng quy mô huấn luyện cho mô hình tiền tuyến, vừa giảm thiểu hiệu quả chi phí suy luận thực tế mà người dùng cuối phải gánh chịu. Hai mảng công việc này không hề mâu thuẫn, ngược lại có thể tiến bước đồng thời.
Ngoài ra, việc các LLM tiên tiến vừa giảm chi phí suy luận vừa vẫn đảm bảo hiệu năng không suy giảm chắc chắn củng cố hơn nữa lập luận lạc quan rằng kinh tế đơn vị của các phòng thí nghiệm AI có thể tốt hơn kỳ vọng của thị trường. Chỉ cần mức giá thực sự hợp lý có thể kích thích mạnh mẽ việc các doanh nghiệp mở rộng quy mô ứng dụng và gia tăng lượng gọi Agent, đồng thời mức tăng đó đủ để bù đắp phần giảm chi phí tính toán gắn với một tác vụ đơn lẻ, thì toàn bộ chuỗi ngành sẽ được tiếp thêm động lực bền vững cho cơ sở hạ tầng nền tảng. Nhờ vậy, nhu cầu thị trường đối với nhiều mảng liên quan—bao gồm bán dẫn AI, thiết bị lưu trữ và phần cứng kết nối—cũng sẽ có được sự hỗ trợ vững chắc hơn.
Với những suy đoán như vậy, cá nhân tôi tỏ ra rất đồng tình. Việc kết hợp RSI với công nghệ chưng cất cho thấy một hướng nghiên cứu mang tiềm năng lớn: để các mô hình có năng lực hàng đầu tham gia phát triển AI thế hệ kế tiếp, sau đó chuyển giao những năng lực mạnh mẽ đã được xác thực đó sang các sản phẩm có chi phí dễ tiếp cận hơn. Điều này đồng nghĩa với việc các phòng thí nghiệm tiên phong hoàn toàn có thể triển khai song song cả hai: vừa liên tục đột phá và mở rộng quy mô huấn luyện cho mô hình tiền tuyến, vừa giảm thiểu hiệu quả chi phí suy luận thực tế mà người dùng cuối phải gánh chịu. Hai mảng công việc này không hề mâu thuẫn, ngược lại có thể tiến bước đồng thời.
Ngoài ra, việc các LLM tiên tiến vừa giảm chi phí suy luận vừa vẫn đảm bảo hiệu năng không suy giảm chắc chắn củng cố hơn nữa lập luận lạc quan rằng kinh tế đơn vị của các phòng thí nghiệm AI có thể tốt hơn kỳ vọng của thị trường. Chỉ cần mức giá thực sự hợp lý có thể kích thích mạnh mẽ việc các doanh nghiệp mở rộng quy mô ứng dụng và gia tăng lượng gọi Agent, đồng thời mức tăng đó đủ để bù đắp phần giảm chi phí tính toán gắn với một tác vụ đơn lẻ, thì toàn bộ chuỗi ngành sẽ được tiếp thêm động lực bền vững cho cơ sở hạ tầng nền tảng. Nhờ vậy, nhu cầu thị trường đối với nhiều mảng liên quan—bao gồm bán dẫn AI, thiết bị lưu trữ và phần cứng kết nối—cũng sẽ có được sự hỗ trợ vững chắc hơn.
