Name: Giải thích về Cuộc thi Trí tuệ Nhân tạo trong 10 phút (AI Competition explained in 10 minutes)
Uploaded: 2025-10-21T13:26:27.000Z
Duration: 10 min 25 s
Description: Thousands of YouTube videos with English-Chinese subtitles! Now you can learn to understand native speakers, expand your vocabulary, and improve your pronunciation...

In order to talk about how the US and China are competing for AI, let's frame it in these layers.

Để nói về việc Mỹ và Trung Quốc đang cạnh tranh về AI, chúng ta hãy xem xét theo các lớp này.

To create AI applications, you need large language models.

Để tạo ra các ứng dụng AI, bạn cần các mô hình ngôn ngữ lớn.

And to innovate large language models, you need massive server infrastructure.

Và để đổi mới các mô hình ngôn ngữ lớn, bạn cần cơ sở hạ tầng máy chủ khổng lồ.

And that infrastructure depends on a supply of advanced chips, and supply requires semiconductor production.

Và cơ sở hạ tầng đó phụ thuộc vào nguồn cung chip tiên tiến, và nguồn cung đòi hỏi sản xuất bán dẫn.

And production is only possible with advanced design.

Và sản xuất chỉ có thể thực hiện được với thiết kế tiên tiến.

And practically, at every layer of this, you have varying levels of government intervention between the US and China in order to compete for AI.

Và trên thực tế, ở mọi lớp của điều này, bạn có các mức độ can thiệp của chính phủ khác nhau giữa Mỹ và Trung Quốc để cạnh tranh về AI.

Vậy chúng ta hãy bắt đầu với câu hỏi này.

If the competition between US and China is this intense, why don't I really see it?

Nếu sự cạnh tranh giữa Mỹ và Trung Quốc khốc liệt như vậy, tại sao tôi không thực sự thấy nó?

Hãy bắt đầu ở lớp ứng dụng.

Most of us are in the application layer where we create and use applications like ChatGPT, Cloud Code, NotebookLM and Manis.

Hầu hết chúng ta ở lớp ứng dụng, nơi chúng ta tạo và sử dụng các ứng dụng như ChatGPT, Cloud Code, NotebookLM và Manis.

And these applications leverage large language models.

Và những ứng dụng này tận dụng các mô hình ngôn ngữ lớn.

And contrary to popular opinion, competition at the application layer is actually higher than any of the layers above.

Và trái với quan điểm phổ biến, sự cạnh tranh ở lớp ứng dụng thực sự cao hơn bất kỳ lớp nào ở trên.

And that's because of a concept called barrier to entry.

Và đó là do một khái niệm gọi là rào cản gia nhập.

In other words, anybody can create AI applications for practically free, but

Nói cách khác, bất kỳ ai cũng có thể tạo ra các ứng dụng AI gần như miễn phí, nhưng

not everyone can compete with LLM providers like OpenAI, Anthropic, Meta and Deepseek.

không phải ai cũng có thể cạnh tranh với các nhà cung cấp LLM như OpenAI, Anthropic, Meta và Deepseek.

For example, Meta's Llama 3.1 model, which is an LLM that's 405 billion parameters in size, was released in July 2024.

Ví dụ, mô hình Llama 3.1 của Meta, một LLM có kích thước 405 tỷ tham số, đã được phát hành vào tháng 7 năm 2024.

In order to train this massive model, it requires 38 septillion math operation, which in the AI industry this math operation is called FLOPS, which stands for floating point operations.

Để huấn luyện mô hình khổng lồ này, cần 38 nghìn tỷ tỷ phép toán, trong ngành AI, phép toán này được gọi là FLOPS, viết tắt của floating point operations.

So in order to do 38 septillion operations to train the Llama 3.1 model, you're going to need a lot of computing.

Vì vậy, để thực hiện 38 nghìn tỷ tỷ phép toán để huấn luyện mô hình Llama 3.1, bạn sẽ cần rất nhiều sức mạnh tính toán.

Precisely, you need about 4,4486 years just to train Llama 3.1 with one H100 GPU, which is considered the highest grade GPU for training LLMs.

Chính xác mà nói, bạn cần khoảng 4.486 năm chỉ để huấn luyện Llama 3.1 với một GPU H100, được coi là GPU cao cấp nhất để huấn luyện LLM.

And for reference, the H100 GPU costs around 25 to 40 thousand dollars a piece.

Và để tham khảo, GPU H100 có giá khoảng 25 đến 40 nghìn đô la mỗi chiếc.

So how do we shrink down the 4486 series to something more tangible?

Vậy làm thế nào để chúng ta thu nhỏ con số 4486 năm xuống một con số dễ hình dung hơn?

Thanks to transformer architecture, we're able to run most pre training in parallel, basically by throwing more money at it.

Nhờ kiến trúc transformer, chúng ta có thể chạy hầu hết quá trình tiền huấn luyện song song, về cơ bản là bằng cách chi nhiều tiền hơn cho nó.

Meta used 16,000 H100 units just to train this model, which cost them around 400 to $640 million in equ just to train llama 3.1 model.

Meta đã sử dụng 16.000 đơn vị H100 chỉ để huấn luyện mô hình này, tốn kém khoảng 400 đến 640 triệu đô la để huấn luyện mô hình Llama 3.1.

So a simple math should tell us that Meta's investment of 400 to $640 million to scale up to 16,000 H100 units to run 38 septillion flops in parallel should take them around three months, rather than 4,486 years.

Vì vậy, một phép tính đơn giản sẽ cho chúng ta biết rằng khoản đầu tư của Meta từ 400 đến 640 triệu đô la để mở rộng quy mô lên 16.000 đơn vị H100 để chạy 38 nghìn tỷ tỷ FLOPS song song sẽ chỉ mất khoảng ba tháng, thay vì 4.486 năm.

So as you can see, the barrier to entry is quite high, meaning most of us probably won't be starting a company to compete against companies like Meta, OpenAI, and

Vì vậy, như bạn thấy, rào cản gia nhập khá cao, có nghĩa là hầu hết chúng ta có lẽ sẽ không bắt đầu một công ty để cạnh tranh với các công ty như Meta, OpenAI và

But China has a lot of companies that can compete at this level, like Alibaba, Deepseek, Apple, Baidu, Moonshot, and

Nhưng Trung Quốc có rất nhiều công ty có thể cạnh tranh ở cấp độ này, như Alibaba, Deepseek, Apple, Baidu, Moonshot và

And as we saw with the Llama 3.1 model, training requires a lot of computing.

Và như chúng ta đã thấy với mô hình Llama 3.1, việc huấn luyện đòi hỏi rất nhiều sức mạnh tính toán.

In other words, for Chinese companies to compete at the LLM layers, they need access to as many GPUs as possible.

Nói cách khác, để các công ty Trung Quốc cạnh tranh ở các lớp LLM, họ cần tiếp cận càng nhiều GPU càng tốt.

For example, if Meta only had half of what they actually had, so 8,000 instead of 16,000 H100, the training time for the llama 3.1 would have been around six months, as opposed to three.

Ví dụ, nếu Meta chỉ có một nửa số GPU họ thực sự có, tức là 8.000 thay vì 16.000 H100, thì thời gian huấn luyện cho Llama 3.1 sẽ là khoảng sáu tháng, thay vì ba tháng.

And in the AI industry, a lot can happen during that three months that they would have taken them to train the model longer.

Và trong ngành công nghiệp AI, rất nhiều điều có thể xảy ra trong ba tháng đó mà lẽ ra họ sẽ mất nhiều thời gian hơn để huấn luyện mô hình.

And this is where we start to go from the LLM layer to the infrastructure infrastructure layer.

Và đây là lúc chúng ta bắt đầu chuyển từ lớp LLM sang lớp cơ sở hạ tầng.

Because in order to innovate LLMs, you need the infrastructure to support the innovation of LLM.

Bởi vì để đổi mới LLM, bạn cần có cơ sở hạ tầng để hỗ trợ sự đổi mới của LLM.

So if you put yourself in the shoes of Chinese companies where you have to compete with companies like Meta to innovate the next generation LLM, it's in your best interest to put your hands on as many GPUs as possible.

Vì vậy, nếu bạn đặt mình vào vị thế của các công ty Trung Quốc, nơi bạn phải cạnh tranh với các công ty như Meta để đổi mới LLM thế hệ tiếp theo, thì lợi ích tốt nhất của bạn là có càng nhiều GPU càng tốt.

And that's exactly what we're seeing from these companies.

Và đó chính xác là những gì chúng ta đang thấy từ các công ty này.

Meta's infrastructure is estimated to be about 350,000 H100 GPUs.

Cơ sở hạ tầng của Meta ước tính có khoảng 350.000 GPU H100.

OpenAI is planning to build Stargate, which is supposed to run up to 2 million GPUs when it's completed.

OpenAI đang có kế hoạch xây dựng Stargate, dự kiến sẽ chạy tới 2 triệu GPU khi hoàn thành.

And XAI released tens of billions of doll on their Colossus facility in Memphis that can run up to 350,000 GPUs.

Và XAI đã chi hàng chục tỷ đô la cho cơ sở Colossus của họ ở Memphis, có thể chạy tới 350.000 GPU.

Trung Quốc có một câu chuyện hơi khác.

Unlike the US counterparts like Meta and OpenAI, China doesn't have the same level of infrastructure with advanced chips like H100.

Không giống như các đối thủ ở Mỹ như Meta và OpenAI, Trung Quốc không có cùng mức độ cơ sở hạ tầng với chip tiên tiến như H100.

And this is largely due to heavy restrictions that the US has put on China.

Và điều này phần lớn là do các hạn chế nặng nề mà Mỹ đã áp đặt lên Trung Quốc.

And in order for Chinese competitors like Alibaba, Deepseek, Moonshot, ByteDance to compete against US counterparts like OpenAI, Anthropic, Google and Xai, you need GPUs in the magnitude of hundreds of thousands, if not millions of them.

Và để các đối thủ cạnh tranh Trung Quốc như Alibaba, Deepseek, Moonshot, ByteDance có thể cạnh tranh với các đối thủ Mỹ như OpenAI, Anthropic, Google và Xai, bạn cần số lượng GPU lên tới hàng trăm nghìn, nếu không muốn nói là hàng triệu.

In October 2022, the US banned Nvidia's export of H100 and A100.

Vào tháng 10 năm 2022, Mỹ đã cấm xuất khẩu H100 và A100 của Nvidia.

In October 2023, US banned the H100 chips, and in January 2025 they further restricted H20.

Vào tháng 10 năm 2023, Mỹ đã cấm chip H100, và vào tháng 1 năm 2025 họ đã hạn chế thêm H20.

Until recently, the US government agreed to share Nvidia's 15% of their revenue to Chinese sales.

Cho đến gần đây, chính phủ Mỹ đã đồng ý chia sẻ 15% doanh thu của Nvidia cho các đơn hàng tại Trung Quốc.

So, as you can see in the infrastructure layer, China is faced with this barrier to entry, which means their infrastructure doesn't as easily support innovation in the LLM layer as the US does.

Vì vậy, như bạn có thể thấy ở lớp cơ sở hạ tầng, Trung Quốc đang đối mặt với rào cản gia nhập này, có nghĩa là cơ sở hạ tầng của họ không dễ dàng hỗ trợ sự đổi mới ở lớp mô hình ngôn ngữ lớn như Mỹ.

Which brings us to the next layer, which is the supply layer.

Điều này đưa chúng ta đến lớp tiếp theo, đó là lớp cung ứng.

China has many companies that are willing to compete with the US in the LLM layer.

Trung Quốc có nhiều công ty sẵn sàng cạnh tranh với Mỹ ở lớp mô hình ngôn ngữ lớn.

Their supply of chips is being throttled by the us, leading to a weaker infrastructure.

Nguồn cung chip của họ đang bị Mỹ kìm hãm, dẫn đến cơ sở hạ tầng yếu hơn.

So the natural question is this, if China doesn't have access to these chips, how are they able to compete with the US?

Vậy câu hỏi tự nhiên đặt ra là, nếu Trung Quốc không có quyền truy cập vào các con chip này, thì làm thế nào họ có thể cạnh tranh với Mỹ?

Deepsea, for example, used the inferior GPU, the H800 card that were bought previously to the ban, to train the Deepsea V3 model.

Ví dụ, Deepsea đã sử dụng GPU kém hơn, thẻ H800 được mua trước lệnh cấm, để huấn luyện mô hình Deepsea V3.

And even with the lower grade GPU with lesser capacity, DeepSeek released the V3 model on December 26, 2024.

Và ngay cả với GPU cấp thấp hơn với công suất thấp hơn, DeepSeek đã phát hành mô hình V3 vào ngày 26 tháng 12 năm 2024.

And this has completely shocked the world because China essentially proved that they can innovate with less.

Và điều này đã gây sốc hoàn toàn cho thế giới vì Trung Quốc đã chứng minh rằng họ có thể đổi mới với ít hơn.

So even with the extreme restrictions that the US has put on China, China was still able to produce Deep Seq V3 and Deep Seq R1.

Vì vậy, ngay cả với những hạn chế khắc nghiệt mà Mỹ áp đặt lên Trung Quốc, Trung Quốc vẫn có thể sản xuất Deep Seq V3 và Deep Seq R1.

That went head to head against OpenAI01, which was a huge breakthrough in the US.

Điều đó đã đối đầu trực diện với OpenAI01, một bước đột phá lớn ở Mỹ.

And to put things into perspective, the Llama 3.1 model that we covered earlier took nearly three months with 16,000 H100 GPUs that required 38, septillion operations.

Và để đặt mọi thứ vào bối cảnh, mô hình Llama 3.1 mà chúng tôi đã đề cập trước đó đã mất gần ba tháng với 16.000 GPU H100, đòi hỏi 38 nghìn tỷ phép tính.

And compared to this, Deep SEQ not only used H800 GPUs, which trails behind the H100, but

Và so với điều này, Deep SEQ không chỉ sử dụng GPU H800, vốn kém hơn H100, mà

họ chỉ sử dụng 2048 trong số đó.

And the training only required 3.8 septillion operations, which is 10 times less than the llama 3.1.

Và quá trình huấn luyện chỉ yêu cầu 3,8 nghìn tỷ phép tính, ít hơn 10 lần so với Llama 3.1.

The implication of this is quite large on the infrastructure layer, because if you can train an LLM more efficiently, the cost burden in the infrastructure layer is significantly less demanding.

Ý nghĩa của điều này khá lớn ở lớp cơ sở hạ tầng, bởi vì nếu bạn có thể huấn luyện một mô hình ngôn ngữ lớn hiệu quả hơn, gánh nặng chi phí ở lớp cơ sở hạ tầng sẽ ít đòi hỏi hơn đáng kể.

So from earlier we Talked about how OpenAI is investing in Stargate, that has capacity up to 2 million GPUs and XAI's huge investment in Memphis.

Vì vậy, trước đó chúng ta đã nói về việc OpenAI đầu tư vào Stargate, có công suất lên tới 2 triệu GPU và khoản đầu tư khổng lồ của XAI vào Memphis.

If Deepsea continues, continues to innovate state of the art LLMs with less flops, it could totally undermine the US investments on the infrastructure layer that we saw on OpenAI and XAI.

Nếu Deepsea tiếp tục, tiếp tục đổi mới các mô hình ngôn ngữ lớn tiên tiến với ít flops hơn, nó hoàn toàn có thể làm suy yếu các khoản đầu tư của Mỹ vào lớp cơ sở hạ tầng mà chúng ta đã thấy ở OpenAI và XAI.

Vì vậy, tình thế tiến thoái lưỡng nan ở đây khá điên rồ.

Since China is forced to innovate with less, and they did innovate with less.

Vì Trung Quốc buộc phải đổi mới với ít hơn, và họ đã đổi mới với ít hơn.

And the implication of that could be that maybe less is the norm, which would completely weaken US's perceived strength because they control the supply layer.

Và ý nghĩa của điều đó có thể là có lẽ ít hơn là tiêu chuẩn, điều này sẽ làm suy yếu hoàn toàn sức mạnh được nhận thức của Mỹ vì họ kiểm soát lớp cung ứng.

Regardless of the case, the layer above supply is manufacturing.

Bất kể trường hợp nào, lớp trên lớp cung ứng là sản xuất.

Meaning either way, these advanced chips need to be manufactured to continue the innovation of LLMs.

Nghĩa là bằng cách này hay cách khác, các chip tiên tiến này cần phải được sản xuất để tiếp tục đổi mới các mô hình ngôn ngữ lớn.

And competition in the manufacturing layer between the US and China is huge as well.

Và sự cạnh tranh ở lớp sản xuất giữa Mỹ và Trung Quốc cũng rất lớn.

Back in 2025, China put forward a policy called Made in China 2025, which was a movement to deleverage their dependencies on foreign countries, especially in the semiconductor layer.

Trở lại năm 2025, Trung Quốc đã đưa ra một chính sách gọi là Made in China 2025, đây là một phong trào nhằm giảm bớt sự phụ thuộc của họ vào các quốc gia nước ngoài, đặc biệt là ở lớp bán dẫn.

Their goal was to have 70% of their core materials from Chinese domestic content.

Mục tiêu của họ là có 70% nguyên liệu cốt lõi từ nội địa Trung Quốc.

Essentially, China wants to produce their own chips instead of buying from companies like Nvidia.

Về cơ bản, Trung Quốc muốn tự sản xuất chip thay vì mua từ các công ty như Nvidia.

Not only are fabs, which are factories that make chips extremely expensive, it's also a logistical nightmare in requires extreme technical precision.

Không chỉ các nhà máy sản xuất chip cực kỳ tốn kém, mà còn là một cơn ác mộng về hậu cần đòi hỏi độ chính xác kỹ thuật cực cao.

In fact, there's really only one place in the world that produce most of these chips, and

Trên thực tế, chỉ có một nơi duy nhất trên thế giới sản xuất phần lớn các con chip này, và

that's in Taiwan, by a company called tsmc.

đó là ở Đài Loan, bởi một công ty tên là TSMC.

That stands for Taiwan Semiconductor Manufacturing Company.

Đó là viết tắt của Taiwan Semiconductor Manufacturing Company.

So China's effort to deleverage from companies like TSMC and Nvidia would mean that they would at least have to produce chips internally at the same capacity as TSMC at the minimum.

Vì vậy, nỗ lực của Trung Quốc nhằm giảm sự phụ thuộc vào các công ty như TSMC và Nvidia sẽ có nghĩa là họ ít nhất phải tự sản xuất chip với năng lực tương đương TSMC.

But most countries have given up trying due to yet another barrier to entry.

Nhưng hầu hết các quốc gia đã từ bỏ nỗ lực vì một rào cản gia nhập khác.

But in this case, the barrier to entry isn't just about money and capital, but

Nhưng trong trường hợp này, rào cản gia nhập không chỉ là tiền bạc và vốn, mà còn là

it's also two different things things talent and equipment.

đó còn là hai thứ khác nhau: nhân tài và thiết bị.

While China has more STEM graduates than the us, in fact nearly double the amount which helps in the chip design, what they lack is equipment.

Trong khi Trung Quốc có nhiều sinh viên tốt nghiệp STEM hơn Mỹ, thực tế là gần gấp đôi, điều này giúp ích cho việc thiết kế chip, thì thứ họ thiếu là thiết bị.

More specifically a $250 million equipment called EUV lithography.

Cụ thể hơn là thiết bị trị giá 250 triệu đô la gọi là EUV lithography.

While most electronics that we use, like microwaves, door sensors and dishwashers can be made in fabs with lower grade equipment like the DUV, high performance GPUs like the H100 requires EUV to generate.

Trong khi hầu hết các thiết bị điện tử chúng ta sử dụng, như lò vi sóng, cảm biến cửa và máy rửa bát có thể được sản xuất trong các nhà máy với thiết bị cấp thấp hơn như DUV, thì GPU hiệu năng cao như H100 lại yêu cầu EUV để tạo ra.

The problem is, EUV is also near impossible in replicating due to how accurate the equipment needs to.

Vấn đề là, EUV cũng gần như không thể tái tạo được do độ chính xác mà thiết bị yêu cầu.

We're talking precision down to a molecular level.

Chúng ta đang nói về độ chính xác ở cấp độ phân tử.

And there's really only one place in the world that manufactures euv and it's a Dutch company called asml.

Và thực sự chỉ có một nơi trên thế giới sản xuất EUV, đó là một công ty Hà Lan tên là ASML.

And just like in the supply layer US was banning Nvidia from selling advanced chips to China.

Và giống như ở lớp ứng dụng, Mỹ đã cấm Nvidia bán chip tiên tiến cho Trung Quốc.

ASML is also banned from selling EUV equipment to China as well.

ASML cũng bị cấm bán thiết bị EUV cho Trung Quốc.

In other words, in order for China to compete with the US in chip production, the barrier to entry here is not only the cost of fabs, which is around $20 billion for factory, they also lack the equipment, such as the EUV lithography to make the chips internally.

Nói cách khác, để Trung Quốc cạnh tranh với Mỹ trong sản xuất chip, rào cản gia nhập ở đây không chỉ là chi phí nhà máy, khoảng 20 tỷ đô la cho một nhà máy, mà họ còn thiếu thiết bị, chẳng hạn như EUV lithography để tự sản xuất chip.

So as you see, in every layer we see two sides of the same coin.

Như bạn thấy, ở mỗi lớp chúng ta đều thấy hai mặt của cùng một vấn đề.

One being the barrier to entry and the other being competition.

Một là rào cản gia nhập và mặt kia là cạnh tranh.

Meaning in order for China to compete, they need to overcome every barrier to entry that the US is imposing on them.

Nghĩa là để Trung Quốc cạnh tranh, họ cần vượt qua mọi rào cản gia nhập mà Mỹ đang áp đặt lên họ.

And the US has been making this barrier gradually difficult for China, while China, in order to still compete but with less, has been proving and almost flaunting at this point by releasing models like deep seq, V3 Kimike, 2 coin, 3 quarter as open models, as if to show China isn't too worried about the bans and restrictions that the US has been putting on every layer of the spectrum here.

Và Mỹ đã dần làm cho rào cản này ngày càng khó khăn hơn cho Trung Quốc, trong khi Trung Quốc, để vẫn cạnh tranh nhưng với ít hơn, đã chứng tỏ và gần như khoe khoang vào thời điểm này bằng cách phát hành các mô hình như deep seq, V3 Kimike, 2 coin, 3 quart

So the ultimate question is this, what does this all boil down to?

Vậy câu hỏi cuối cùng là gì, tất cả những điều này quy về cái gì?

At the end of the day, everything is contingent on the very last layer, the application layer, which is where most of us live and breathe.

Cuối cùng, mọi thứ đều phụ thuộc vào lớp cuối cùng, lớp ứng dụng, nơi hầu hết chúng ta sống và làm việc.

AI is only going to be as good as what the application come out of it.

AI sẽ chỉ tốt bằng những gì ứng dụng xuất phát từ nó.

In other words, both the US and China are dumping billions of money in supporting companies like intel, smic, Nvidia, essentially at the top layer down, because it's all about betting on what AI can do in the application layer, like healthcare, military and finance.

Nói cách khác, cả Mỹ và Trung Quốc đều đang đổ hàng tỷ đô la để hỗ trợ các công ty như Intel, SMIC, Nvidia, về cơ bản là từ lớp trên xuống, bởi vì tất cả là về việc đặt cược vào những gì AI có thể làm ở lớp ứng dụng, như chăm sóc sức khỏe, quân sự và tài 

So although we don't really experience the crazy competition that happens in the upper layers, it's really about us in justifying the competition at the top by innovating cool stuff like ChatGPT, Manus, NotebookLM, Replete, Relovable, V0, Bolt, Cursor, Klein, or any other domain specific solutions in military, healthcare, transportation, science, or anywhere else where AI could fit in.

Vì vậy, mặc dù chúng ta không thực sự trải nghiệm sự cạnh tranh khốc liệt xảy ra ở các lớp trên, nhưng thực sự là về việc chúng ta biện minh cho sự cạnh tranh ở trên bằng cách đổi mới những thứ hay ho như ChatGPT, Manis, NotebookLM, Replete, Relovable, V0

So ultimately it's up to us in leveraging all the breakthroughs that we're seeing in each layers above to unlock more automation, more disruption, and

Vì vậy, cuối cùng là tùy thuộc vào chúng ta trong việc tận dụng tất cả những đột phá mà chúng ta đang thấy ở mỗi lớp trên để mở khóa nhiều tự động hóa hơn, nhiều đột phá hơn, và