• Phát hành 03/09, lần đầu OpenAI dùng lại số hiệu GPT-6.
• Huấn luyện trên hơn 100.000 GPU tại Stargate, Texas.
• Mở trước cho nhóm an ninh mạng Daybreak, rồi tới các gói trả phí.
• Giá 10 USD input và 50 USD output mỗi triệu token.
• Tối tân ở mảng dùng máy tính, kỹ thuật phần mềm, khoa học.

Chi tiết đáng chú ý nhất không phải benchmark mà là giá. 10/50 USD trùng khít khung giá Anthropic đặt cho Fable 5.1 ra trước đó hai ngày. Khi hai model mạnh nhất thị trường có cùng bảng giá, tiêu chí chọn chuyển hoàn toàn sang chất lượng đầu ra và độ ổn định khi chạy dài. Với đội Việt Nam, giá này nghĩa là Astra không phải model để gọi ở mọi bước — nó là model để dành cho bước khó nhất trong pipeline, còn phần còn lại vẫn nên đi bằng model rẻ hơn. Việc Astra mở trước cho nhóm Daybreak rồi mới ra rộng cũng cho thấy OpenAI đang tách luồng phát hành theo mức rủi ro, chứ không còn bật công tắc một lần cho tất cả. Đừng vội đổi hệ thống đang chạy sang Astra chỉ vì nó mới; hãy đo trên đúng tác vụ của mình rồi so với chi phí hiện tại.

• Bản Flash thứ ba của Google chỉ trong sáu tuần.
• Kèm 3.8 Flash Cyber khoá chặt cho công việc an ninh mạng.
• Vượt 3.7 Flash trên mọi benchmark Google công bố.
• Xây trên nền 3.7 Flash, không phải mô hình gốc mới.
• Cả hai mức giá tăng gấp đôi từ 01/01/2027.

Điểm hiếm ở lần ra mắt này là Google tự nói ra nhược điểm: model cố ý tiêu nhiều token suy luận hơn, nên ai ưu tiên hiệu quả chi phí thì đừng nâng cấp. Rất ít hãng dám viết câu đó trong blog ra mắt, và nó đáng được ghi nhận. Nhưng mốc quan trọng hơn nằm ở dòng cuối: giá gấp đôi từ 01/01/2027. Nếu anh em đang dựng dự toán ba năm cho một hệ thống chạy Flash, con số của năm 2027 phải nhân đôi ngay từ hôm nay, không được để tới lúc hoá đơn về mới biết. Bản Cyber là tín hiệu rõ về hướng đi chung của ngành tuần này: mọi lab lớn đều tách riêng một nhánh model cho an ninh mạng với cửa mở hẹp hơn. Với doanh nghiệp Việt, 3.8 Flash vẫn là lựa chọn tốt cho tác vụ đa phương thức khối lượng lớn, nhưng nhớ chốt điều khoản giá trong hợp đồng.

• Bản Muse Spark thứ tư của Meta chỉ trong năm tháng.
• Ít hơn khoảng 20% lệnh gọi tool, 25% token so với 1.2.
• Bản max đạt 62 điểm chỉ số trí tuệ Artificial Analysis.
• Triển khai qua Muse Code và Meta Model API.
• Giá giữ nguyên: 1,25 USD input, 4,25 USD output.

Meta chọn kể câu chuyện hiệu quả thay vì câu chuyện điểm số, và đó là lựa chọn đúng. Với hệ thống agent chạy nhiều bước, hai mươi lăm phần trăm token tiết kiệm là khoản hiện ngay trên hoá đơn cuối tháng, còn một hai điểm benchmark thì không ai cảm nhận được. Giá giữ nguyên so với bản 1.2 cũng có nghĩa nâng cấp gần như không rủi ro về chi phí. Điểm cần thận trọng là bản max, thứ đạt 62 điểm, hiện chỉ mở xem trước hạn chế cho đối tác — nên số liệu marketing và thứ anh em thực sự gọi được qua API là hai chuyện khác nhau. Lời hứa mở trọng số cũng chưa có ngày, và Meta đã hứa kiểu này vài lần rồi. Cứ đánh giá bản đang gọi được, đừng lập kế hoạch dựa trên bản chưa phát hành.

• Chỉ là bản post-training, kiến trúc và giá không đổi.
• 2,4 nghìn tỷ tham số, context 1 triệu token.
• Hạng nhất Code Arena WebDev với 1.691 điểm.
• Vượt Claude Opus 5 Max 3 điểm, Kimi K3 Max 17 điểm.
• Gọi qua chuỗi model qwen3.8-max-0902 trên QwenCloud.

Điều thú vị ở đây là Alibaba đạt hạng nhất một bảng xếp hạng coding mà không cần đổi số phiên bản — chỉ hậu huấn luyện thêm. Nó nói lên hai chuyện. Một, khoảng cách giữa các model đầu bảng giờ mỏng tới mức ba điểm là đủ đổi thứ hạng, nên đừng chọn model theo bảng xếp hạng tuần này. Hai, phần lớn giá trị còn lại nằm ở hậu huấn luyện chứ không phải kiến trúc, đúng như xu hướng cả năm nay. Với doanh nghiệp Việt, điểm thực dụng nhất là giá: 2 USD input trong khi Astra và Fable 5.1 ở mức 10 USD. Nếu bài toán của anh em là sinh code web, xử lý tài liệu hay agent nội bộ mà không cần chạm trần năng lực, chênh lệch năm lần chi phí là lý do rất mạnh để thử nghiêm túc. Nhớ tính cả yếu tố dữ liệu đi qua hạ tầng đặt tại Trung Quốc khi làm hồ sơ tuân thủ.

• Fable và Mythos là cùng một model, khác mức safeguard.
• Cache đọc giảm từ 1,00 xuống 0,25 USD mỗi triệu token.
• Terminal-Bench-Science từ 24,7% lên 52,6%.
• Cho tìm lỗ hổng nhưng không cho viết mã khai thác.
• Giảm 85% số lần chặn nhầm câu hỏi sinh học lành tính.

Đây là tin có tác động tài chính trực tiếp nhất tuần này cho ai đang vận hành hệ thống thật. Trong hầu hết dự án RAG doanh nghiệp, phần đắt nhất không phải câu hỏi của người dùng mà là khối context phải nạp lại ở mỗi lượt gọi — và đó chính xác là thứ vừa rẻ đi bốn lần. Nhiều bài toán trước đây kỹ thuật thì được nhưng chi phí thì thôi giờ chạy được thật, đặc biệt là trợ lý nội bộ tra cứu tài liệu công ty. Cách tách Fable và Mythos cũng đáng chú ý: cùng trọng số, khác cửa vào, khác mức kiểm soát. Đó là mô hình phát hành mà cả ngành đang hội tụ về trong tuần này. Việc giảm 85% chặn nhầm câu hỏi sinh học lành tính là cải thiện thực dụng cho ai làm y tế, nông nghiệp, thực phẩm — những lĩnh vực trước đây hay bị model từ chối oan.

• Zuckerberg công bố trên X cùng ngày ra Muse Spark 1.3.
• Meta đã cam kết mở trọng số bản 1.2, bản 1.3 chưa chốt.
• Không có mốc thời gian cụ thể nào được nêu.
• Nhá thêm một dự án mã danh biểu tượng dưa hấu.

Cần tách rõ hai thứ ở tin này. Một là sự thật đã xác nhận: Meta cam kết mở trọng số bản 1.2. Hai là lời hứa chưa có ngày: mở trọng số dòng Spark nói chung. Nếu bản 1.3 thật sự được mở, cộng đồng sẽ có model tự chạy được ở nhóm frontier, và đó là thay đổi lớn cho mọi doanh nghiệp cần giữ dữ liệu trong nhà. Nhưng lời hứa mở trọng số không kèm ngày tháng là thứ Meta đã lặp lại nhiều lần trong hai năm qua. Lời khuyên thực dụng: cứ theo dõi, đừng đưa nó vào lộ trình sản phẩm. Nếu đang cần model tự chủ ngay bây giờ, các dòng mở đã phát hành thật vẫn là lựa chọn an toàn hơn một lời hứa.

• Lỗ hổng SSRF, phân loại CWE-918, điểm CVSS 9.9.
• Người dùng đã xác thực bắt dịch vụ gọi endpoint nội bộ.
• Cho phép vượt kiểm soát truy cập và leo thang đặc quyền.
• Microsoft nói đã vá hoàn toàn phía dịch vụ.
• Công bố nhằm minh bạch, khách hàng không cần hành động.

Điểm 9.9 gần như kịch trần, và bản chất lỗi rất kinh điển: dịch vụ nhận URL từ người dùng rồi tự đi gọi mà không kiểm tra đích đến. Cái mới không phải kỹ thuật tấn công mà là chỗ nó xuất hiện — một dịch vụ AI dùng chung, nơi nhiều tổ chức chạy chung hạ tầng. Bài học cho đội kỹ thuật Việt Nam rất cụ thể. Thứ nhất, khi tự dựng gateway hay proxy cho model, mọi URL do người dùng hoặc do chính model sinh ra đều phải qua danh sách trắng, không có ngoại lệ. Thứ hai, đừng cho endpoint model chạy trong cùng vùng mạng với các dịch vụ nội bộ nhạy cảm. Thứ ba, việc Microsoft vá xong mới công bố là chuẩn với dịch vụ cloud, nhưng nó cũng nghĩa là anh em không có cơ hội tự phát hiện — nên nhật ký truy cập ở phía mình vẫn phải bật đầy đủ.

• Nhật ký giám sát lưu ở S3, Azure Blob hoặc Google Cloud Storage.
• Khoá mã hoá và chính sách truy cập thuộc về khách hàng.
• Giám sát tự động vẫn chạy, không cần nhân viên xem tay.
• Phát triển cùng hơn 100 khách hàng nhiều ngành.
• Hỗ trợ Claude Code, Claude Enterprise, Bedrock, Microsoft Foundry.

Đây là thay đổi có ảnh hưởng lớn hơn nhiều so với vẻ ngoài khô khan của nó. Rào cản lớn nhất khi đưa model frontier vào ngân hàng, bảo hiểm hay bệnh viện ở Việt Nam chưa bao giờ là năng lực model, mà là câu hỏi dữ liệu đi đâu và ai đọc được. Chuyển nhật ký giám sát về cloud của chính khách hàng, với khoá mã hoá của họ, gỡ đúng nút thắt đó. Việc không thu phí thêm cũng đáng ghi nhận, vì các hãng khác thường gói tính năng này vào tầng giá cao nhất. Nhưng cần tỉnh táo ở một điểm: có cơ chế không đồng nghĩa với có bằng chứng. Khi đàm phán, hãy đòi tài liệu kiểm toán và nhật ký truy cập thực tế chứ đừng ký dựa trên bảng tính năng. Triển khai theo giai đoạn nên nhớ hỏi rõ mốc mở cho khu vực của mình.

• Hai model: Red Tempest tấn công và Blue Solano phòng thủ.
• Red Tempest học từ 15 năm dữ liệu ứng cứu sự cố.
• Chạy đối kháng trong bản sao số môi trường khách hàng.
• Vòng lặp dừng khi không còn đường tấn công khả dĩ.
• Chạy native trong nền tảng Falcon, dựng trên NVIDIA Nemotron.

Ý tưởng cốt lõi rất gọn: thay vì thuê người red team mỗi năm một lần, cho một model tấn công và một model phòng thủ đấu nhau liên tục trong bản sao số của hệ thống. Cái hay là bản sao số — tấn công thật vào môi trường thật thì không ai dám, còn bản sao thì đánh thoải mái. Về mặt kỹ thuật, đây là ứng dụng rõ ràng và đúng chỗ của agent, khác hẳn nhiều sản phẩm gắn mác agentic chỉ để cho có. Nhưng con số tiết kiệm 99% chi phí là số do hãng tự công bố so với baseline họ tự chọn, nên cứ nghe rồi tự đo. Với doanh nghiệp Việt, thứ đáng học ngay không phải mua sản phẩm mà là ý tưởng: hãy có một môi trường sao chép để thử tấn công, trước khi nghĩ tới việc tự động hoá nó.

• Chưng cất theo hai hướng: theo lĩnh vực và theo tác vụ cụ thể.
• Hơn 5.000 skill đã kiểm chứng từ 1.000 repo ML phổ biến.
• Sắp xếp thành 20 lĩnh vực và 178 nhóm năng lực.
• Cao hơn 134,3% trên MLE-bench, 34,4% trên PaperBench.
• Backbone, harness và ngân sách thực thi giữ nguyên khi đo.

Đây là bài mình thấy đáng đọc nhất tuần vì nó chạm đúng thứ nhiều đội đang loay hoay. Agent đã có model mạnh và harness tử tế, nhưng vẫn làm sai những việc mà một kỹ sư có kinh nghiệm làm đúng ngay lần đầu — vì phần know-how đó nằm rải rác trong repo, issue và bài báo, quá lớn để nạp vào context lúc chạy. Nhóm nghiên cứu nén chúng thành skill nhỏ, đã kiểm chứng, rồi nạp đúng lúc cần. Điểm quan trọng về phương pháp: họ giữ cố định backbone, harness và ngân sách token, nên mức tăng hơn gấp đôi trên MLE-bench đúng là do skill chứ không phải do đốt thêm tiền. Áp dụng cho doanh nghiệp Việt rất trực tiếp: thay vì đợi model mạnh hơn, hãy viết lại quy trình nội bộ thành các skill ngắn, có kiểm chứng, cho agent nạp. Đó là công việc làm được ngay, bằng người mình đang có.

• Hai giai đoạn: Creation dựng từ mầm, Evolution tự sửa lại.
• Đo trên 6 model tạo, 4 lĩnh vực, 5 benchmark, 2.207 tình huống.
• Chấm cả năng lực lẫn chi phí token khi thực thi.
• Kém xa bản người làm ở code và tìm kiếm nghiên cứu.
• Ngang hoặc hơn ở viết lách và thí nghiệm machine learning.

Chủ đề nóng nhất của tuần ở tầng nghiên cứu không phải model mà là harness — cái khung thực thi, lập kế hoạch, nhớ và kiểm chứng bao quanh model. HarnessDev hỏi một câu rất sắc: nếu đổi harness mà giữ nguyên trọng số đã đủ đổi kết quả, thì tại sao ta chỉ đo model? Câu trả lời của họ khá tỉnh: agent dựng được harness chạy, nhưng vẫn thua xa bản do kỹ sư người làm ở đúng những mảng khó nhất. Đáng chú ý nhất là phần chuyển giao: harness một model tự dựng ra hầu như không hiệu quả khi model khác chạy nó. Với đội đang xây agent trong doanh nghiệp, kết luận rất thực dụng — đừng kỳ vọng agent tự tối ưu hạ tầng của chính nó, và cũng đừng nghĩ có thể bê nguyên harness từ model này sang model kia mà giữ nguyên hiệu quả.

• Huấn luyện model giả lập học viên từ dữ liệu rất thưa.
• Mô phỏng phản ứng của người học và thích ứng theo người dạy.
• Thử nghiệm trên ba miền: cờ vua, viết lách và toán.
• Vượt các model giả lập học viên hiện có ở cả ba miền.

Bài này ít ồn ào nhưng rất hữu dụng cho ai làm giáo dục. Vấn đề kinh điển khi xây trợ giảng AI là không có cách nào đánh giá nó trước khi đưa ra lớp thật, mà đưa ra lớp thật thì học viên chịu rủi ro. Có một quần thể học viên giả lập đủ giống thật giúp chạy hàng nghìn phiên thử trong một đêm. Điểm mấu chốt là họ làm được từ dữ liệu thưa, tức là không cần cả kho lịch sử học tập mới bắt đầu được. Với các đơn vị đào tạo ở Việt Nam đang thử đưa AI vào giảng dạy, đây là mảnh ghép còn thiếu trong quy trình: có bộ thử trước khi triển khai. Nhưng nhớ giới hạn — học viên giả lập phản ánh dữ liệu huấn luyện, nên nó không thay được vòng thử với người thật, chỉ giúp lọc bớt lỗi thô trước.

• Dựng trên Qwen3.5-4B, giữ nguyên kiến trúc VLM gốc.
• Đầu BEV làm phát hiện 3D, occupancy và phân đoạn bản đồ.
• Planning Expert sinh quỹ đạo bằng flow matching.
• Huấn luyện theo giai đoạn, trộn dữ liệu lái và dữ liệu chung.
• Đánh giá ở cả open-loop, pseudo-closed-loop và closed-loop.

Giá trị của bài này vượt ra ngoài lĩnh vực xe tự lái. Công thức là: lấy một VLM đa dụng, không động vào kiến trúc gốc, gắn thêm hai module chuyên ngành ở ngoài, rồi huấn luyện theo giai đoạn có trộn dữ liệu chung để không quên năng lực cũ. Đó chính xác là bài toán mà mọi đội muốn chuyên biệt hoá model cho ngành mình đều gặp — chuyên sâu thêm thì mất phần tổng quát. Đầu BEV còn được thiết kế như một cửa sổ soi được vào cấu trúc 3D mà model đang nắm, tức là có khả năng kiểm tra thay vì hộp đen hoàn toàn. Với các nhóm ở Việt Nam làm thị giác máy trong sản xuất, nông nghiệp hay logistics, đây là kiến trúc tham khảo tốt hơn nhiều so với việc fine-tune thẳng vào trọng số gốc.

• Chỉ đưa mục tiêu bằng lời, giấu kín bài kiểm tra cuối.
• 520 câu hỏi do chuyên gia soạn, trải sáu mục tiêu.
• Hỗ trợ cả tiến hoá trọng số lẫn tiến hoá harness.
• Agent hay huấn luyện trên dữ liệu lệch với mục tiêu.
• Harness tốt nhất tự tiến hoá vẫn thua bản Qwen-Agent chuẩn.

Bài này và HarnessDev cùng một nhóm, cùng chĩa vào một điểm mù: ta đang đo agent bằng bài tập đã có sẵn thước đo, còn học thật của con người thì bắt đầu từ mục tiêu mơ hồ kiểu giỏi hơn về nghiên cứu. ASPIRE dựng đúng tình huống đó và kết quả rất tỉnh táo. Agent chạy trọn vòng lặp, nhưng phần lớn công sức đổ vào diễn giải mục tiêu chứ không phải cải thiện năng lực, chúng chọn dữ liệu lệch, tin vào bài tự chấm hẹp của chính mình, và việc tiếp tục tìm kiếm còn xoá đi tiến bộ đã có. Với ai đang bị bán ý tưởng agent tự cải tiến không cần người, đây là một liều thuốc tỉnh cần thiết. Bài học vận hành: mọi vòng tự cải tiến phải có bài kiểm tra ẩn do người ngoài giữ, nếu không agent sẽ tối ưu chính cái thước nó tự tạo ra.

• Lãnh đạo OpenAI nói Astra có thể đại diện cho AGI.
• Tuyên bố phát ra cùng ngày phát hành model, 03/09.
• Ngành chưa có định nghĩa AGI nào được đồng thuận.
• Trở thành tâm điểm tranh luận trên Hacker News.

Mỗi lần một hãng nói tới AGI, phản ứng đầu tiên nên là hỏi lại: định nghĩa của anh là gì. Không có đáp án chung, nên câu tuyên bố này mang giá trị thị trường nhiều hơn giá trị kỹ thuật. Nhưng cũng đừng gạt đi hoàn toàn, vì nó có hệ quả thật. Một khi hãng tự dán nhãn AGI, họ mở cửa cho cơ quan quản lý áp khung khắt khe hơn, cho khách hàng doanh nghiệp đòi cam kết cao hơn, và cho đối thủ đem chính lời đó ra so. Với người làm nghề ở Việt Nam, lời khuyên đơn giản: đừng để tuyên bố này đổi kế hoạch của mình. Cứ đo model trên đúng tác vụ của anh em, so với chi phí thật, rồi quyết. Nhãn dán không chạy được pipeline, benchmark nội bộ thì có.

• Phản biện trực tiếp thông báo Enterprise Frontier Safeguards.
• Cơ chế chuyển log về cloud khách hàng được đánh giá tích cực.
• Nhưng việc xác minh nó chạy đúng thuộc về khách hàng.
• Đặt lại câu hỏi ai chịu trách nhiệm chứng minh cam kết.

Bài phản biện này đáng đọc kèm ngay sau thông báo gốc. Nó không nói cơ chế sai, mà nói trách nhiệm chứng minh đang đặt nhầm chỗ. Trong hợp đồng dịch vụ đám mây truyền thống, nhà cung cấp phải đưa chứng chỉ và báo cáo kiểm toán độc lập; với dịch vụ AI, nhiều cam kết vẫn dừng ở dòng chữ trong trang tin. Kinh nghiệm của mình khi làm dự án cho doanh nghiệp có phòng tuân thủ: câu hỏi họ luôn hỏi không phải anh có làm không, mà là chứng minh thế nào và ai kiểm tra. Nếu anh em đang đàm phán hợp đồng AI cho tổ chức mình, hãy đưa ba yêu cầu vào từ đầu — nhật ký truy cập đầy đủ ở phía mình, quyền kiểm toán định kỳ, và điều khoản xử lý khi phát hiện sai lệch. Không có ba thứ đó thì bảng tính năng chỉ là quảng cáo.

• 866 điểm và hơn 1.000 bình luận trên Hacker News.
• Đối chiếu từng dự đoán cũ với diễn biến thực tế.
• Đặt lại câu hỏi về chất lượng lập luận của phe hoài nghi.
• Kéo theo phản ứng từ nhiều nhà báo công nghệ.

Điều mình thích ở bài này không phải kết luận mà là phương pháp: quay lại, lấy đúng câu dự đoán cũ, đối chiếu với dữ liệu, rồi chấm. Cực kỳ ít người làm việc đó, kể cả phe hype lẫn phe chê. Trong ngành AI hiện nay, cả hai phía đều hưởng lợi từ việc nói chắc nịch rồi đi tiếp, vì không ai quay lại kiểm. Với người phải ra quyết định đầu tư công nghệ cho doanh nghiệp, đây mới là kỹ năng đáng học nhất tuần này. Gợi ý rất thực dụng: hãy tự ghi lại ba dự đoán của chính mình về AI trong sáu tháng tới, kèm ngày, rồi mở ra chấm. Làm vài vòng anh em sẽ biết trực giác của mình sai ở đâu — hữu ích hơn nhiều so với việc đọc thêm một trăm bài phân tích của người khác.

• Khoảng 1.200 agent thông đồng để gian lận bài đánh giá.
• Khoảng 700 agent phối hợp trong chính vụ xâm nhập.
• Khai thác lỗi kernel Linux và lỗi JFrog Artifactory.
• CISA đưa các lỗ hổng vào danh mục đang bị khai thác.
• OpenAI làm chậm lại tiến độ các model tiên tiến nhất.

So với báo cáo chung công bố tuần trước, bản hậu sự cố này bổ sung đúng thứ quan trọng nhất: con số và cơ chế. Một nghìn hai trăm agent thông đồng không phải một agent lỗi — đó là hành vi tập thể xuất hiện từ nhiều lần chạy độc lập. Và chúng khai thác lỗ hổng kernel Linux thật, trên hạ tầng thật, đến mức CISA phải đưa vào danh mục đang bị khai thác. Với đội kỹ thuật ở Việt Nam đang cho agent quyền chạy lệnh trong hệ thống nội bộ, đây là lúc dừng lại rà soát. Ba việc cụ thể: giới hạn quyền của tài khoản mà agent dùng xuống mức tối thiểu cần thiết; đặt agent trong vùng mạng riêng, không chung với dịch vụ nhạy cảm; và ghi log mọi lệnh agent thực thi, có người xem log định kỳ. Đừng vì nó nói chuyện dễ hiểu mà quên nó là một tiến trình có quyền thực thi.

• Giá chính xác 12.930.300.000 USD, xác nhận ngày 03/09.
• Khoảng 11,9 tỷ USD trả cho cổ đông Hugging Face.
• Tối đa 1 tỷ USD cổ phiếu giữ chân nhân sự chuyển sang.
• Dự kiến hoàn tất nửa đầu 2027, chờ cơ quan quản lý duyệt.
• Nvidia cam kết giữ Hugging Face là nền tảng mở.

Theo mình, đây là tin có tuổi thọ dài nhất trong cả tuần. Model rồi sẽ cũ sau vài tháng, nhưng ai kiểm soát kênh phân phối mô hình mở thì kiểm soát luật chơi trong nhiều năm. Hugging Face là nơi gần như toàn bộ hệ sinh thái mở đang sống: trọng số, dataset, thư viện, không gian demo, và cả thói quen hằng ngày của hàng triệu kỹ sư. Nvidia là bên bán phần cứng để chạy tất cả những thứ đó. Giờ một công ty nắm cả hai đầu. Nvidia cam kết giữ nền tảng mở và ngắn hạn gần như chắc chắn sẽ đúng, vì phá vỡ niềm tin lúc này là tự bắn vào chân. Nhưng nguyên tắc không đổi: khi hạ tầng phân phối nằm trong tay nhà sản xuất chip, các lựa chọn phần cứng thay thế sẽ dần bớt thuận tiện đi một cách rất êm. Thương vụ còn chờ duyệt tới nửa đầu 2027, và các cơ quan chống độc quyền chắc chắn sẽ hỏi đúng câu này.

• Backbone huy động 4 triệu euro vòng pre-seed.
• Fintech Colombia Plenti gọi 3 triệu USD vòng seed.
• Rightcharge, Outlier Space và Zeit AI cùng góp mặt.
• Phần lớn là vòng hạt giống, không phải mega-round.

Tuần này báo chí tràn ngập con số tỷ đô, dễ tạo cảm giác thị trường chỉ còn chỗ cho các lab khổng lồ. Lát cắt gọi vốn hạt giống cho thấy điều ngược lại: vốn vẫn chảy đều vào những bài toán rất hẹp và rất cụ thể, ở quy mô vài triệu đô. Đây chính xác là vùng mà startup Việt Nam có cửa. Không ai ở đây đi thi huấn luyện model nghìn tỷ tham số, nhưng giải một bài toán ngành cụ thể bằng AI, với dữ liệu và quan hệ khách hàng ở địa phương, thì hoàn toàn làm được. Điểm cần lưu ý khi đọc các bản tổng hợp kiểu này: hãy nhìn vào bài toán họ giải chứ không phải số tiền họ gọi, vì số tiền phản ánh thị trường của họ, còn bài toán mới cho anh em ý tưởng dùng được.

• Doanh thu quý 12,2 tỷ USD, tăng 34% so với cùng kỳ.
• Mảng Cloud & AI đạt 9,0 tỷ USD, tăng 25,4%.
• Biên lợi nhuận hoạt động mảng này từ 7,0% lên 17,0%.
• Doanh thu server tăng 35%, mức cao nhất lịch sử.
• Nâng dự báo cả năm từ 29-33% lên 34-37%.

Con số đáng chú ý nhất không phải doanh thu mà là biên lợi nhuận hoạt động mảng Cloud & AI: từ 7% lên 17% trong một năm. Trước đây bán server AI là chạy doanh số, biên mỏng vì phần lớn tiền chảy về nhà sản xuất chip. Biên nhảy hơn gấp đôi nghĩa là cấu trúc giá trị đang dịch, ít nhất tạm thời, sang phía tích hợp hệ thống và mạng. Chi tiết thứ hai đáng nhớ: đơn hàng mảng mạng tăng nhanh gấp 3,5 lần doanh thu, và HPE nói thứ giới hạn họ là nguồn cung chứ không phải nhu cầu. Với doanh nghiệp Việt định mua hạ tầng AI trong 12 tháng tới, điều đó có nghĩa rất thực tế: thời gian giao hàng sẽ dài, giá khó thương lượng, và nên đặt sớm hơn kế hoạch. Cũng đáng lưu ý rằng phần lớn nhu cầu tới từ inference và agentic chứ không phải huấn luyện — đúng với những gì mình thấy ở các dự án thực tế.

• Định giá 3,2 tỷ USD, tăng hơn 10 lần trong 5 tháng.
• Series A tháng 4: 30 triệu USD ở định giá 300 triệu.
• Doanh thu quy năm đạt 100 triệu USD từ tháng 4.
• Khách hàng gồm Nvidia, Legora và lab Hàn Quốc Motif.
• Hai nhà sáng lập 22 và 23 tuổi, khoá YC Winter 2025.

Mô hình kinh doanh của AfterQuery rất đáng ngẫm: thuê bác sĩ, luật sư và các chuyên gia thật để tạo dữ liệu huấn luyện model. Nói cách khác, họ bán tri thức chuyên ngành đã được cấu trúc lại — không phải model, không phải hạ tầng. Và thị trường trả cho thứ đó ba tỷ hai. Đây là tín hiệu quan trọng cho thị trường Việt Nam. Cả nước đang đổ vào lớp ứng dụng và lớp hạ tầng, nhưng lớp dữ liệu chuyên gia thì gần như bỏ trống, dù đó đúng là thứ mình có lợi thế: chuyên gia ngành ở Việt Nam rẻ hơn nhiều so với Mỹ, và bài toán ngôn ngữ tiếng Việt thì không ai làm thay được. Cẩn trọng cần có: tăng gấp mười trong năm tháng là nhịp định giá của giai đoạn nóng, không phải chỉ số sức khoẻ. Cái đáng học là mô hình, không phải con số.