Suy Luận on Korea Invest Insights

Công việc văn phòng có thể tạo làn sóng token tiếp theo: Điều kiện để Astra chuyển thành lợi nhuận cổ phiếu Hàn Quốc

Fri, 11 Sep 2026 12:00:00 +0900

GPT-6 Astra được giới thiệu ngày 3 tháng 9, cùng các sản phẩm tài chính và phân tích dữ liệu công bố ngày 10 tháng 9, cho thấy câu hỏi cạnh tranh của AI đang thay đổi. Trọng tâm chuyển từ chất lượng một câu trả lời sang khả năng theo đuổi nhiệm vụ được giao cho đến khi hoàn thành. Sản phẩm tài chính của OpenAI kết nối dữ liệu, nguồn tham chiếu và mẫu tài liệu doanh nghiệp; sản phẩm dữ liệu kết nối thông tin nội bộ với quyền truy cập.¹²³

Sự thay đổi này có thể đưa mức sử dụng chuyên sâu vốn gắn với lập trình viên sang nhiều công việc văn phòng hơn. Tuy nhiên, ra mắt sản phẩm không chứng minh nhu cầu token đã bùng nổ. Nhân số nhân viên văn phòng với mức tiêu thụ của một lập trình viên cũng không tạo ra dự báo thị trường đáng tin cậy.

Luận điểm đầu tư có điều kiện: thao tác máy tính tốt hơn và thực hiện nhiệm vụ dài đáng tin cậy hơn có thể giảm can thiệp của con người, qua đó tăng số công việc thực sự được giao cho AI. Nhà đầu tư cổ phiếu Hàn Quốc phải xác định doanh nghiệp nào chuyển được nhu cầu đó thành sản lượng và giá bộ nhớ, đơn hàng thiết bị điện hoặc lợi nhuận phần mềm định kỳ.

Lập trình đã có môi trường để thực thi và kiểm chứng

Phát triển phần mềm có kho mã để đọc, công cụ để chạy và bài kiểm tra để đối chiếu kết quả. Hệ thống có thể sửa chương trình, xem lỗi rồi thử lại. Điều này không có nghĩa mọi kết quả phần mềm đều dễ xác minh. Cách diễn giải hẹp hơn là việc nối thực thi với đánh giá thường dễ tổ chức trong phát triển phần mềm hơn trong quy trình văn phòng phân mảnh.

Một nghiên cứu công bố tháng 4 năm 2026 về tác nhân lập trình ghi nhận mức tiêu thụ token khác biệt lớn giữa mô hình và đường thực thi, kể cả khi lặp lại cùng một nhiệm vụ. Chi tiêu nhiều hơn không luôn cải thiện độ chính xác. Đây là lý do bổ sung để không ngoại suy máy móc mức sử dụng của lập trình viên.⁴

Công việc văn phòng có các trở ngại khác. Cam kết trong email, trạng thái khách hàng, phép tính Excel và quy định nội bộ có thể nằm ở những hệ thống riêng. Câu trả lời đúng không bù được việc cập nhật hồ sơ sai. Quyền truy cập và phê duyệt phải được nối vào quy trình trước khi một câu trả lời trở thành công việc hoàn tất.

Vì vậy, “văn phòng sau lập trình” không có nghĩa thị trường trước phải kết thúc rồi thị trường sau mới mở. Hai nhóm đã chồng lấn. Giả thuyết là cường độ sử dụng lặp lại ở vị trí không chuyên phát triển phần mềm có thể trở thành nguồn tăng trưởng tiếp theo.

Thao tác máy tính mở rộng phạm vi; khả năng duy trì nhiệm vụ thay đổi hiệu quả kinh tế

Sử dụng máy tính là đọc màn hình, bấm nút và nhập thông tin. Thực hiện nhiệm vụ dài là giữ mục tiêu và bằng chứng qua nhiều bước, phục hồi sau lỗi và kiểm tra kết quả. Khả năng thứ nhất mở rộng các quy trình có thể tiếp cận; khả năng thứ hai giảm nhu cầu giám sát liên tục.

Hai khả năng hỗ trợ lẫn nhau. Bấm chính xác vẫn chưa đủ nếu tác nhân quên mục tiêu ở bước thứ mười. Suy nghĩ lâu cũng chưa đủ nếu người dùng phải chuyển từng kết quả vào hệ thống vận hành doanh nghiệp. Đây là cách diễn giải kinh tế, không phải tính chất toán học đã được chứng minh của kiến trúc mô hình.

Chỉ số công bố	Astra	GPT-5.6 Sol	Cách hiểu phù hợp
AutomationBench	41,4%	18,1%	Cải thiện trên một bài đánh giá, không phải tỷ lệ toàn bộ việc văn phòng được tự động hóa
Điểm thành phần OSWorld 2.0	72,6%	65,7%	Điểm từng phần trên tập con ngoại tuyến, không phải xác suất hoàn thành hoàn toàn tự chủ
Mô phỏng độ trễ OSWorld	40 phút	75 phút	Thời gian trong điều kiện cụ thể, không phải giờ lao động tiết kiệm thực tế tại doanh nghiệp

Nguồn: OpenAI. OSWorld dùng tập con ngoại tuyến v2026.08.08. Cấu hình và môi trường công cụ có thể khác sản xuất thực tế; cải tiến môi trường thực thi cũng ảnh hưởng kết quả.¹

Độ tin cậy từng bước tăng nhẹ có thể làm nhiều nhiệm vụ trở nên khả thi để giao phó. Trong ví dụ giả định cần thành công cả 50 bước độc lập, xác suất 98% mỗi bước cho tổng xác suất 0,98 mũ 50, khoảng 36,4%. Với 99,5%, tổng đạt khoảng 77,8%. Lỗi thực tế có tương quan, đồng thời còn có điểm kiểm tra, thử lại và phục hồi. Đây chỉ là minh họa hiệu ứng tích lũy, không phải ước tính tỷ lệ thành công thực tế của Astra.

Doanh nghiệp cũng không nên triển khai mọi thứ bằng thao tác màn hình. Khi có giao diện lập trình ổn định, hay API, thường nên ưu tiên sử dụng; thao tác trực quan có thể bù những đoạn chưa kết nối được. Cơ hội nằm ở việc nối quy trình mà không phải thay toàn bộ hệ thống cũ.

Năng lực mô hình đang được kết hợp với dữ liệu và hạ tầng vận hành

ChatGPT Financial Services, công bố ngày 10 tháng 9, tìm cách nối dữ liệu tài chính và tài liệu với mẫu biểu và kiểm soát doanh nghiệp. Sản phẩm phân tích dữ liệu nối dữ liệu được cấp phép với bối cảnh kinh doanh. Cả hai cho thấy mô hình tốt là chưa đủ: quyền truy cập và kiểm chứng phải đi cùng.²³

Bản beta công khai của Agents API cung cấp hạ tầng quản lý ngữ cảnh, thực thi công cụ và phối hợp nhiều tác nhân. Nếu doanh nghiệp không phải tự xây lại hạ tầng chạy bền vững, chi phí chuyển tiến bộ mô hình thành quy trình có trả tiền có thể giảm. Có thể xác nhận việc công bố và các tính năng mô tả; tổng chi tiêu của khách hàng và lợi ích đầu tư vẫn là câu hỏi riêng.⁵

Cơ hội ban đầu có lẽ không phải thay thế không giám sát mọi vị trí văn phòng. So sánh tài liệu, chuẩn bị bán hàng, báo cáo định kỳ và đối chiếu chi phí là các nhiệm vụ có ranh giới và dễ kiểm tra hơn. Thanh toán, hợp đồng có tính ràng buộc và quyết định nhân sự cần giữ phê duyệt phù hợp của con người vì tổn thất do lỗi cao hơn.

Một chỉ dẫn ngắn có thể tạo chuỗi tính toán dài

“So sánh ba nhà cung cấp và chuẩn bị tài liệu họp” chỉ là một câu. Nhưng để thực hiện, hệ thống phải tìm email và báo giá, chuẩn hóa điều kiện thương mại, lập bảng, kiểm tra số liệu và nguồn rồi áp dụng mẫu tài liệu. Nếu thiếu thông tin, một phần quy trình cần chạy lại.

Kết quả cuối có thể ngắn dù mô hình được gọi nhiều lần. Tài liệu truy xuất, kết quả công cụ, kiểm tra giữa chừng và sửa đổi đều tiêu thụ token. Token là đơn vị đầu vào và đầu ra của mô hình, không phải số câu hỏi hay số câu văn.

Anthropic cho biết tháng 6 năm 2025 rằng trong dữ liệu hệ thống nghiên cứu của chính họ, tác nhân thường dùng khoảng bốn lần token so với trò chuyện, còn hệ thống nhiều tác nhân khoảng mười lăm lần. Đó không phải hệ số chung cho mọi công việc doanh nghiệp. Dù vậy, nó cung cấp bằng chứng cho cơ chế khiến hội thoại trở thành thực thi có cường độ sử dụng lớn hơn.⁶

Cơ hội bền vững không phải làm cùng việc lâu hơn một cách kém hiệu quả. Đó là thực hiện những việc trước đây bị bỏ qua vì chi phí chuẩn bị quá cao: thêm đề xuất riêng cho khách hàng, đối chiếu tồn kho thường xuyên hơn hoặc nghiên cứu đối thủ rộng hơn. Vòng lặp thử lại không tạo giá trị không chứng minh được khả năng chi trả lâu dài.

Tần suất giao việc quan trọng hơn tổng số nhân viên

Token hằng tháng = số nhân viên phù hợp × tỷ lệ dùng thực tế × số nhiệm vụ giao mỗi người mỗi ngày × ngày làm việc × token tích lũy mỗi nhiệm vụ.

Token tích lũy mỗi nhiệm vụ bao gồm mọi đầu vào, đầu ra, lần thử lại và kiểm tra, kể cả các cuộc gọi từ tác nhân bổ sung. Nhân thêm số tác nhân hoặc hệ số thử lại một lần nữa sẽ đếm trùng.

Phân tích độ nhạy dưới đây giữ nguyên tổ chức có 1.000 nhân viên và 22 ngày làm việc một tháng. Đây là giả định, không phải số đo ở khách hàng hay dự báo cho năm 2027.

Trạng thái sử dụng thay thế	Tỷ lệ dùng thực tế	Hoạt động mỗi ngày	Token mỗi tương tác hoặc nhiệm vụ	Tổng tháng	So với cơ sở
Trò chuyện cơ sở	20%	10 câu hỏi	2.000	88 triệu	1,0 lần
Giao việc hạn chế	30%	1 nhiệm vụ	20.000	132 triệu	1,5 lần
Giao việc thường xuyên	50%	3 nhiệm vụ	40.000	1,32 tỷ	15,0 lần
Giao việc rộng rãi	70%	5 nhiệm vụ	80.000	6,16 tỷ	70,0 lần

Mức cơ sở là 1.000 × 20% × 10 × 22 × 2.000 = 88.000.000 token. Giao việc thường xuyên là 1.000 × 50% × 3 × 22 × 40.000 = 1.320.000.000. Các dòng là trạng thái thay thế, không phải các phần tăng thêm để cộng tất cả vào cơ sở. Một cuộc trò chuyện và một nhiệm vụ hoàn thành cũng không tạo đầu ra tương đương.

Mức 15 lần kết hợp số người dùng thực tế tăng 2,5 lần và token hằng ngày mỗi người tăng sáu lần, từ 20.000 lên 120.000. Nó không đòi hỏi số nhân viên tăng mười lăm lần. Ngược lại, nếu người dùng chỉ làm một bản tóm tắt mỗi ngày, mức mở rộng sẽ thấp hơn nhiều.

Dân số lao động không chuyên lập trình lớn hơn không đủ chứng minh khi nào nhu cầu của họ vượt lập trình. Tỷ lệ dùng, tần suất và token mỗi nhiệm vụ đều phải đủ cao. Phân loại cũng phải tránh đếm hai lần mã do người dùng kinh doanh tạo ra và tài liệu do lập trình viên chuẩn bị.

Ví dụ 0,56 USD cho thấy ngưỡng kinh tế của mỗi nhiệm vụ

Giá API công khai của Astra Standard là 10 USD cho một triệu token đầu vào và 50 USD cho một triệu token đầu ra. Giả sử một nhiệm vụ không dùng bộ nhớ đệm tiêu thụ 36.000 token đầu vào và 4.000 token đầu ra.¹

Chi phí mô hình = 36.000 / 1.000.000 × 10 USD + 4.000 / 1.000.000 × 50 USD = 0,56 USD.

Con số 4.000 là tổng đầu ra bị tính phí trên tất cả cuộc gọi, không phải độ dài báo cáo cuối. Nếu token suy luận được tính vào đầu ra, cũng phải cộng vào. Bộ nhớ đệm, điều phối sang mô hình rẻ hơn và phí công cụ làm thay đổi hóa đơn thực tế.

Trạng thái thường xuyên tạo 500 người × 3 nhiệm vụ × 22 ngày = 33.000 nhiệm vụ mỗi tháng. Theo đơn giá giả định này, hóa đơn mô hình là 18.480 USD mỗi tháng, hay 36,96 USD cho mỗi người dùng thực tế. Chưa bao gồm trình duyệt, bản quyền dữ liệu, tích hợp, bảo mật, đào tạo và xử lý sự cố.

Giá trị ròng của giao việc = tiết kiệm lao động đã thực hiện hoặc giá trị kinh doanh tăng thêm − mô hình và công cụ − kiểm tra và làm lại của con người − tổn thất do lỗi − chi phí vận hành và tích hợp phân bổ.

Giả sử một nhiệm vụ ít rủi ro, có đầu ra tương đương, do người thực hiện mất 30 phút với giá trị thời gian 50 USD mỗi giờ. Chi phí ban đầu là 25 USD. Nếu AI cần năm phút kiểm tra và 20% nhiệm vụ thất bại phải làm lại từ đầu, thời gian làm lại kỳ vọng thêm sáu phút. Chi phí con người khoảng 9,17 USD; cộng mô hình là 9,73 USD. Còn khoảng 15,27 USD để trang trải chi phí khác và lỗi. Tỷ lệ thành công 80% chỉ là giả định, không được suy ra từ điểm đánh giá.

Nếu kiểm tra mất 25 phút, chi phí kỳ vọng tăng lên 26,39 USD. Suy luận rẻ không cứu được quy trình. Thời gian tiết kiệm cũng không tự động làm giảm tiền lương chi ra; phải được hiện thực hóa qua bố trí lại nhân lực, tăng sản lượng hoặc tránh tuyển thêm.

Vì vậy, chỉ tiêu quyết định không phải tác nhân chạy được bao lâu, mà là mỗi nhiệm vụ hoàn tất còn cần bao nhiêu phút can thiệp của con người.

Token, hóa đơn, tính toán và bộ nhớ là các đại lượng khác nhau

Đổi mức token tăng 15 lần thành nhu cầu bán dẫn tăng 15 lần là bỏ qua nhiều bước chuyển đổi.

Chỉ tiêu	Đo lường gì	Vì sao khác tăng trưởng token
Token logic	Đầu vào và đầu ra của mọi cuộc gọi	Đầu vào được tái sử dụng vẫn có thể xuất hiện trong tổng
Hóa đơn thực tế	Chi tiêu theo giá đầu vào, đệm và đầu ra	Giảm giá, thuê bao và mô hình nhỏ thay đổi đơn giá thực hiện
Tính toán vật lý	Các phép tính thực sự được thực hiện	Kiến trúc, kích thước, tái sử dụng và hiệu suất khác nhau
Bộ nhớ và lưu trữ	Dung lượng và băng thông cho mô hình, trạng thái và dữ liệu	Phụ thuộc chạy đồng thời, độ dài ngữ cảnh, thời gian giữ và tầng lưu trữ

Giữ nguyên cơ cấu công việc để minh họa, token tăng 15 lần trong khi tính toán mỗi token giảm 80% tạo nhu cầu tính toán gấp ba. Nếu giảm 95%, nhu cầu còn 0,75 lần. Phép tính là 15 × 0,20 và 15 × 0,05. Đây là độ nhạy, không phải dự báo tốc độ tiến bộ kỹ thuật.

Chi phí giảm có thể làm sử dụng tăng mà tổng chi tiêu không tăng. Khi các yếu tố khác giữ nguyên, lượng sử dụng phải tăng đủ để bù giá đơn vị giảm. Cần xem cả công việc mới trở nên khả thi và việc giảm lượng tính toán cho nhiệm vụ vốn đã được thực hiện.

Chạy đồng thời cũng là vấn đề riêng. Cùng lượng sử dụng một ngày nhưng tập trung vào đầu giờ làm có thể cần nhiều công suất hơn. Ngược lại, gom việc chấp nhận độ trễ chạy ban đêm có thể nâng hiệu suất sử dụng và trì hoãn xây mới. Nhân số tác nhân với 24 giờ không tự tạo nhu cầu.

Luận điểm bộ nhớ phải bao phủ nhiều tầng, không chỉ HBM

AI giữ trọng số mô hình và các kết quả trung gian từ ngữ cảnh trước đó. Trạng thái chú ý có thể dùng lại thường gọi là bộ nhớ đệm KV. Công việc dài và nhiều người dùng đồng thời có thể làm vị trí lưu và tốc độ truy xuất quan trọng hơn.

Nhưng không phải tất cả phải ở mãi trong bộ nhớ băng thông cao đắt tiền, hay HBM. Các công bố STX và CMX của NVIDIA tháng 3 năm 2026 mô tả một tầng lưu ngữ cảnh bổ sung. Mục tiêu vừa mở rộng ngữ cảnh truy cập được, vừa sử dụng GPU hiện có hiệu quả hơn. Chỉ số hiệu năng của nhà cung cấp phụ thuộc cấu hình, không phải mức cải thiện đo được của toàn ngành.⁷

HyMCache, nộp lần đầu tháng 7 và sửa tháng 8 với tên A CXL Memory Rack for Multi-Turn LLM Serving, nghiên cứu kết hợp DRAM và SSD để giữ trạng thái tái sử dụng. Một so sánh chấp nhận giảm một phần hiệu năng để dùng ít DRAM hơn đáng kể. Đây là nghiên cứu, không phải chứng cứ triển khai thương mại quy mô lớn, nhưng phản bác cách ngoại suy tỷ lệ một-một từ token sang một sản phẩm bộ nhớ.⁸

Giả thuyết hữu ích không phải chọn giữa HBM biến mất hoặc chắc chắn bùng nổ. Cần theo dõi cách HBM nhanh, DRAM máy chủ và SSD doanh nghiệp dung lượng cao chia nhiệm vụ, cùng khả năng giữ lại lợi nhuận của nhà cung cấp. Token cũng không tương đương tài liệu lưu trữ: đọc lại cùng tệp làm tăng token logic mà không nhất thiết tăng dữ liệu nguồn được giữ.

Bốn cơ chế lợi nhuận khác nhau trên thị trường Hàn Quốc

Bảng này sắp xếp hướng nghiên cứu theo mức liên quan kinh doanh, không phải thứ hạng mua đã điều chỉnh theo giá cổ phiếu hiện tại.

Doanh nghiệp	Mức tiếp xúc với nhu cầu	Bằng chứng chuyển thành lợi nhuận	Điều kiện bất lợi
SK hynix (000660)	HBM, DRAM máy chủ và SSD doanh nghiệp	Sản lượng, giá bán bình quân, cơ cấu cao cấp và dòng tiền sau đầu tư	Hiệu suất của khách hàng bù hết sản lượng, hoặc cung tăng làm giá giảm
Samsung Electronics (005930)	Bao phủ cả ba tầng bộ nhớ	Sản xuất cho khách hàng, tỷ lệ đạt, cơ cấu và kết quả bộ phận khác	Tiến bộ kỹ thuật không thành sản lượng có lãi, hoặc lỗ nơi khác tăng
LS ELECTRIC (010120)	Phân phối điện và thiết bị trung tâm dữ liệu	Đơn ký, giao hàng, chuyển đơn tồn thành doanh thu, biên lợi nhuận, thu tiền	Chỉ tận dụng cơ sở hiện hữu, dự án trì hoãn hoặc hủy
Samsung SDS (018260)	Kết nối dữ liệu, vận hành, kiểm soát và nền tảng công việc	Dùng trả phí lặp lại, gia hạn, lợi nhuận sau chi phí mô hình, khách hàng ngoài	Chi phí bán lại và nhân công tích hợp hấp thụ doanh thu

SK hynix: nhìn ngoài HBM nhưng không bỏ qua chu kỳ

Danh mục giới thiệu ngày 26 tháng 8 của SK hynix gồm HBM, DRAM máy chủ và SSD doanh nghiệp. Điều này tạo nhiều con đường tham gia khi phân tầng bộ nhớ rõ hơn. Trưng bày sản phẩm không có nghĩa tất cả đóng góp doanh thu cùng thời điểm và cùng quy mô.⁹

Nhà đầu tư nên theo dõi lượng và giá từng sản phẩm thay vì tổng doanh thu được gắn nhãn AI. HBM tăng không mô tả toàn bộ kết quả nếu giá DRAM máy chủ hay NAND suy yếu. Dòng tiền hoạt động cần được xem sau chi đầu tư và nhu cầu vốn lưu động.

Đây là đối tượng nghiên cứu trực tiếp, nhưng tiếp xúc trực tiếp không đồng nghĩa định giá rẻ. Ngành thuận lợi vẫn có thể mang lại lợi suất thấp khi ưu thế cung ứng đã phản ánh đầy đủ trong kỳ vọng.

Samsung Electronics: phạm vi rộng đi cùng yếu tố bù trừ

Trong kết quả quý hai công bố ngày 30 tháng 7, Samsung liên hệ triển vọng AI tác nhân nửa cuối năm với DRAM máy chủ, SSD doanh nghiệp và HBM. Điều đó cho thấy nhà cung cấp cũng đặt giả thuyết nhu cầu tương tự. Tuy nhiên, đây vẫn là triển vọng của ban lãnh đạo, không phải xác nhận độc lập về cung cầu tương lai.¹⁰

Danh mục bộ nhớ rộng tạo nhiều kênh, nhưng lợi nhuận cổ đông phụ thuộc sản xuất có lãi sau khi được khách hàng chấp thuận, tỷ lệ đạt và cơ cấu sản phẩm. Các mảng bán dẫn khác và hàng tiêu dùng cũng tác động kết quả hợp nhất.

Vì vậy, không nên cộng ngay việc Astra ra mắt vào dự báo lợi nhuận. Phải xác định nhu cầu vượt phần chi tiêu AI đã giả định, rồi xem nó đổi sản lượng, giá hay biên lợi nhuận. Một câu chuyện mới mô tả lại đơn cũ không phải lợi nhuận tăng thêm.

LS ELECTRIC: đầu tư vào xây dựng và đơn hàng, không phải phí trên token

Ngày 24 tháng 8, LS ELECTRIC công bố mở rộng hợp đồng thiết bị điện cho trung tâm dữ liệu AI tại Bắc Mỹ, đưa tổng giá trị sửa đổi lên khoảng 230,9 tỷ won. Đây là tổng hợp đồng sau thay đổi, không phải toàn bộ đơn mới để cộng thêm vào hợp đồng trước. Mối liên hệ kinh doanh với trung tâm dữ liệu được xác nhận, nhưng hợp đồng có trước Astra nên không thể quy cho Astra.¹¹

Nếu suy luận văn phòng chỉ nâng mức sử dụng hạ tầng có sẵn, đơn thiết bị điện mới có thể chưa tăng ngay. Nhu cầu bền vững phải thành dự án được cấp vốn và có khả năng kết nối điện. Chi phí vốn cao và chậm xây dựng có thể cùng tồn tại với triển vọng cầu dài hạn tích cực.

Cần kiểm tra đơn mới, chuyển đơn tồn thành doanh thu, lợi nhuận dự án và thu tiền. Định giá doanh nghiệp như thể thu tiền mỗi lần xử lý token sẽ bỏ qua độ trễ và rủi ro thực hiện.

Samsung SDS: trách nhiệm vận hành quan trọng hơn bán lại mô hình

Samsung SDS mô tả FabriX là nền tảng nối nhiều mô hình với hệ thống doanh nghiệp, hỗ trợ tạo, vận hành và quản trị tác nhân. Brity Copilot đưa AI vào email và cuộc họp. Dữ liệu, quyền truy cập và trách nhiệm vận hành tạo mức liên quan hợp lý với công việc văn phòng.¹²¹³

Tuy nhiên, nhà cung cấp mô hình tiên tiến cũng mở rộng trực tiếp sản phẩm doanh nghiệp và kết nối dữ liệu. Một cửa sổ trò chuyện hoặc quyền dùng mô hình bán lại có thể chịu sức ép giá. Lợi thế bền hơn có thể đến từ xử lý ngoại lệ của hệ thống cũ, quyền hạn, nhật ký kiểm toán và sự cố, gắn với hợp đồng gia hạn.²⁵

Dùng trả phí tăng không bảo đảm lợi nhuận tăng nếu chi phí mô hình và nhân công tích hợp tăng nhanh hơn. Cần hợp đồng lặp lại với khách hàng bên ngoài, giữ chân sau triển khai và biên lợi nhuận sau phí suy luận. Tài liệu sản phẩm được kiểm tra chưa đủ chứng minh biên lợi nhuận riêng của hoạt động AI.

Đúng về ngành vẫn có thể thua lỗ với cổ phiếu

Hệ số giá cổ phiếu = hệ số lợi nhuận mỗi cổ phiếu × hệ số định giá.

Nếu lợi nhuận mỗi cổ phiếu tăng 30% nhưng P/E giảm từ 20 xuống 15 lần, giá còn 1,30 × 15 / 20 = 0,975 lần, tức giảm 2,5%. Đây là số minh họa, không phải định giá hiện tại của doanh nghiệp nào, với giả định cùng định nghĩa và kỳ lợi nhuận.

Không nên nhân bốn lợi nhuận quý đỉnh của bộ nhớ rồi coi là lâu dài. Phải bình thường hóa giá, cung mới, khấu hao, đầu tư và dòng tiền. Giá trị hợp đồng thiết bị không phải lợi nhuận tức thời; doanh thu phần mềm phải được nhìn sau chi phí bán lại.

Bài viết này không phải báo cáo định giá từng mã đã kiểm tra toàn bộ giá trong ngày và dự báo đồng thuận. Không đặt mục tiêu giá hay mức mua chưa xác minh. Quyết định mua đòi hỏi tính ngược tăng trưởng đã phản ánh trong giá trị doanh nghiệp, rồi xem đơn mới và mức sử dụng lặp lại có vượt kỳ vọng đó không.

Nhà cung cấp bộ nhớ đáng nghiên cứu sớm vì tạo mức tiếp xúc với nhiều mô hình mà không phải chọn một ứng dụng văn phòng thắng cuộc. Nhưng đa dạng hóa giữa mô hình không đa dạng hóa chu kỳ bộ nhớ. Nắm cả hai nhà sản xuất lớn Hàn Quốc vẫn giữ rủi ro chung về đầu tư AI và giá bộ nhớ.

Từ quý bốn năm 2026, theo dõi sử dụng lặp lại và can thiệp con người

Quý bốn năm 2026 và quý một năm 2027 là cửa sổ quan sát, không phải lịch áp dụng được bảo đảm.

Nội dung quan sát	Củng cố luận điểm	Cần hạ đánh giá
Sử dụng trả phí ngoài lập trình	Công việc lặp lại tăng bền vững trong cùng nhóm triển khai	Tài khoản tăng nhưng hoạt động giảm sau thử nghiệm
Hiệu quả mỗi nhiệm vụ	Thời gian kiểm tra và làm lại giảm trên mỗi việc hoàn tất	Kiểm tra mất gần bằng làm thủ công
Hạ tầng vật lý	Tính toán hoặc lưu ngữ cảnh tăng sau đệm và phân luồng mô hình	Token logic tăng, tài nguyên thực không tăng
Bộ nhớ Hàn Quốc	Đơn bổ sung ngoài dự kiến thay đổi lượng, giá và lợi nhuận	Đổi nhãn đơn cũ, tồn kho tăng và giá giảm
Thiết bị điện và phần mềm	Đơn chuyển thành tiền, gia hạn và biên lợi nhuận cải thiện	Trì hoãn xây dựng, bán lại lãi thấp và triển khai một lần chiếm chủ đạo

Nếu qua hai quý vẫn chưa chứng minh dùng lặp lại ngoài lập trình và hiệu quả đơn vị, cần lùi nhận định thời điểm làn sóng cầu tiếp theo. Nếu áp dụng tăng nhưng hiệu suất bù yêu cầu phần cứng, có thể giữ luận điểm phần mềm và giảm mức tác động bán dẫn. Sự cố an ninh làm thu hẹp quyền truy cập hoặc lệ thuộc kéo dài vào cứu trợ của con người cũng là phản chứng quan trọng.

Astra có thể mở rộng thị trường công việc hoàn thành hơn là câu trả lời dài. Cơ sở mua cổ phiếu Hàn Quốc xuất hiện khi khả năng đó tạo chi tiêu định kỳ và dòng tiền vượt kỳ vọng đã nằm trong giá.

Thông tin kiểm tra đến ngày 11 tháng 9 năm 2026. Tuyên bố sản phẩm và doanh nghiệp được phân biệt với kiểm chứng độc lập trong vận hành thực tế. Kịch bản token, chi phí và giá cổ phiếu là giả định của tác giả, không phải tư vấn cá nhân.

Nguồn

OpenAI, GPT-6 Astra, tháng 9 năm 2026; điều kiện đánh giá và giá API Standard. ↩︎ ↩︎ ↩︎
OpenAI, ChatGPT Financial Services, 10-09-2026. ↩︎ ↩︎ ↩︎
OpenAI, Put data to work, 10-09-2026. ↩︎ ↩︎
Bai và cộng sự, How Do AI Agents Spend Your Money?, nộp 24-04, sửa 29-04-2026. Dựa trên phần tóm tắt, không khái quát mọi công việc văn phòng. ↩︎
OpenAI, Agents API, 10-09-2026. ↩︎ ↩︎
Anthropic, How we built our multi-agent research system, 13-06-2025. ↩︎
NVIDIA, BlueField-4 STX, 16-03-2026. ↩︎
Jang và cộng sự, A CXL Memory Rack for Multi-Turn LLM Serving, nộp 20-07, v3 ngày 05-08-2026. Nghiên cứu không đồng nghĩa áp dụng thương mại. ↩︎
SK hynix, DTF 2026, 26-08-2026. ↩︎
Samsung, Kết quả quý hai năm 2026, 30-07-2026. ↩︎
LS ELECTRIC, Hợp đồng thiết bị điện, 24-08-2026; tổng sửa đổi, không phải toàn bộ phần tăng thêm. ↩︎
Samsung SDS, FabriX, truy cập 11-09-2026. ↩︎
Samsung SDS, AI Agent, truy cập 11-09-2026. ↩︎

Sau Astra: Transformer Vòng Lặp Thay Đổi Kinh Tế Hạ Tầng AI Như Thế Nào

Tue, 08 Sep 2026 18:00:00 +0900

Liệu một mô hình nhỏ có thể giải quyết các bài toán phức tạp hơn bằng cách đi qua cùng một mạng nơ-ron nhiều lần không? CEO Lablup Jeongkyu Shin đặt lại câu hỏi này trong bài viết Facebook về transformer vòng lặp sau Astra. Đằng sau câu hỏi kiến trúc là quyết định hạ tầng: mua bao nhiêu bộ tăng tốc, bao nhiêu bộ nhớ, và vận hành chúng như thế nào.

Nghiên cứu công khai cho thấy một mô hình có thể cải thiện khả năng giải quyết vấn đề trong khi giữ nguyên trọng số lưu trữ, bằng cách thực thi lặp đi lặp lại một khối tính toán dùng chung. Nhưng lặp lại tiêu tốn thời gian và năng lượng. Mô hình nhỏ hơn không tự động đồng nghĩa với dịch vụ rẻ hơn.

Đây là phân tích độc lập được gợi ý từ bài viết của Shin, bổ sung bằng các bài báo gốc và thẻ mô hình. Chúng tôi tách biệt cách bài viết diễn giải Astra khỏi các sự kiện được xác lập công khai, và coi các hàm ý ngành là phân tích có điều kiện. Các nguồn được kiểm tra vào ngày 8 tháng 9 năm 2026.

Kết quả của Astra không tiết lộ kiến trúc của nó

Thông báo ngày 3 tháng 9 của OpenAI xác nhận việc ra mắt GPT-6 Astra và các cải tiến về năng lực. Tuy nhiên, thông báo và thẻ hệ thống được xem xét ở đây không tiết lộ kiến trúc transformer vòng lặp, số lần đệ quy, hay tổng số tham số và số tham số hoạt động.

Do đó, chúng tôi không coi mối liên hệ giữa Astra và thiết kế kiểu Huginn là sự thật đã được xác lập. Các tuyên bố về kích thước 10T/1T trong bài viết và trích dẫn AGI cũng bị loại khỏi tiền đề của phân tích này. Hiệu suất tốt hơn đơn thuần không thể xác định kiến trúc nội bộ.

Vẫn có lý do chính đáng để xem xét tính đệ quy. Các mô hình công khai đã cho thấy những nỗ lực tách biệt dung lượng tham số lưu trữ và tính toán suy luận. Sự phát triển đó có thể được đánh giá mà không cần dựa vào thiết kế chưa được tiết lộ của một mô hình tiên tiến.

Lưu trữ nhiều hơn và tính toán lâu hơn là hai lựa chọn khác nhau

Tham số là các trọng số số học được điều chỉnh trong quá trình huấn luyện. Mở rộng một mô hình thường làm tăng lượng dữ liệu được lưu trữ. Mixture of Experts (MoE) chọn một số module chuyên gia cho mỗi đầu vào, nhằm thực thi ít tính toán hơn so với tổng dung lượng mô hình.

MoE không xuất phát chỉ từ Switch Transformer. Bài báo MoE có cổng thưa năm 2017 xuất hiện trước Switch Transformer năm 2021, vốn đơn giản hóa định tuyến và huấn luyện ở quy mô lớn. Tổng số tham số lớn hơn cũng không nhất thiết đồng nghĩa với nhiều lớp hơn.

Chain-of-thought (CoT) tạo ra các token trung gian mở rộng ngữ cảnh cho tính toán sau. Một mô hình vòng lặp đưa trạng thái nội bộ qua một khối với trọng số dùng chung thêm một lần nữa. Tính toán trung gian không nhất thiết phải chuyển đổi thành một từ ở mỗi bước. Các cách tiếp cận này cũng có thể được kết hợp.

So sánh những gì mỗi cách tiếp cận bổ sung làm rõ sự đánh đổi.

Cách tiếp cận	Điều gì tăng lên	Chi phí tiềm ẩn
Mô hình lớn hơn	Trọng số hoặc dung lượng chuyên gia	Lưu trữ, tính toán hoạt động, giao tiếp
Chain-of-thought	Token lý luận trung gian	Thời gian tạo, ngữ cảnh và cache
Độ sâu đệ quy	Các lượt qua một khối dùng chung	Tính toán lặp lại, độ trễ, quản lý trạng thái

Đây là so sánh khái niệm. Kinh tế thực tế đòi hỏi đo lường ở cùng độ chính xác, độ dài đầu vào và điều kiện phần cứng.

Nghiên cứu về “suy nghĩ trước khi nói” sử dụng các cơ chế khác nhau

Pause tokens cung cấp thêm tính toán trước khi trả lời. Quiet-STaR học cách tạo ra các lý luận trung gian giúp dự đoán các token tiếp theo. Tên của nó không nên được hiểu là bằng chứng rằng nó sử dụng lý luận trạng thái liên tục phi ngôn ngữ.

Coconut đưa trạng thái ẩn cuối cùng trở lại như một đầu vào mà không chuyển đổi nó thành một từ. Nó khám phá việc duy trì các khả năng trong một biểu diễn nội bộ trước khi cam kết với ngôn ngữ. Đây không phải là bằng chứng về ý thức con người hay dòng suy nghĩ tự chủ chạy liên tục.

Nghiên cứu về độ sâu đệ quy bao gồm Universal Transformer năm 2018, lặp lại một phép biến đổi và có thể phân bổ tính toán khác nhau theo từng vị trí. Khó khăn là huấn luyện sự lặp lại có ích: một khối dùng chung phải xử lý các trạng thái từ nhiều giai đoạn khác nhau, và mỗi lượt qua tiếp theo phải cải thiện kết quả. Xung đột vai trò giữa các lớp là một trực giác hữu ích, không phải giải thích phổ quát cho mọi thất bại.

Sao chép lớp khác với việc chia sẻ cùng một trọng số

SOLAR 10.7B của Upstage đã giới thiệu depth up-scaling (DUS): sao chép các lớp hiện có, xóa một số lớp, kết nối chúng thành một mô hình sâu hơn, rồi tiếp tục huấn luyện. Các bản sao bắt đầu giống hệt nhau có thể phát triển thành các trọng số khác nhau. Mô hình kết quả lưu trữ nhiều tham số hơn.

Một mô hình đệ quy tiếp tục chia sẻ cùng một trọng số. DUS tái sử dụng huấn luyện trước để xây dựng mô hình sâu hơn; vòng lặp tăng độ sâu thực thi mà không mở rộng tương ứng các trọng số được lưu trữ. Coi cả hai là cùng một kỹ thuật tiết kiệm bộ nhớ sẽ dẫn đến mô hình chi phí sai.

Đọc các con số Huginn và Ouro cùng với điều kiện so sánh của chúng

Nghiên cứu Huginn của Geiping và cộng sự tách biệt xử lý đầu vào, lõi đệ quy và xử lý đầu ra. Lõi tinh chỉnh trạng thái nội bộ thông qua thực thi lặp đi lặp lại. Các tác giả đã huấn luyện một mô hình 3,5B tham số trên 800B token và báo cáo hiệu suất nhiệm vụ lý luận được cải thiện khi tính toán đệ quy tăng lên.

Con số 50B trong phần tóm tắt cần được đọc cẩn thận. Nó mô tả các cải thiện lên đến tải tính toán tương đương 50B tham số. Nó không đảm bảo chất lượng của mô hình 50B trên mọi nhiệm vụ, cũng không đảm bảo chất lượng đó đạt được với cùng chi phí. Một tập trọng số nhỏ sử dụng nhiều tính toán hơn là một kết quả nghiên cứu; kinh tế dịch vụ đòi hỏi đo lường riêng biệt.

Ouro, từ ByteDance và các cộng tác viên, được phát hành vào tháng 10 năm 2025. Bài báo đề cập đến một họ các mô hình 1,4B và 2,6B, và báo cáo so sánh với các mô hình lên đến 12B trên nhiều benchmark. Tuy nhiên, thẻ mô hình Ouro-1.4B chính thức mô tả mô hình cụ thể đó là tương đương với các mô hình thông thường 3–4B. Nói rằng 1,4B luôn thay thế 12B sẽ phóng đại quá mức kết quả so sánh.

Số lượng tham số nên được đọc cùng với dữ liệu huấn luyện, số lần đệ quy và các nhiệm vụ đánh giá. Hiệu quả suy luận rõ ràng cũng có thể là kết quả của đầu tư huấn luyện trước đáng kể.

Ít trọng số lưu trữ hơn không loại bỏ nút thắt cổ chai bộ nhớ

Hãy xem xét một phép tính minh họa. Lưu trữ 3,5B tham số ở 2 byte mỗi tham số đòi hỏi khoảng 7GB cho trọng số. Việc sử dụng lặp đi lặp lại các trọng số đó không nhân yêu cầu lưu trữ theo số lần đệ quy. Đây là số học, không phải phép đo tổng mức sử dụng bộ nhớ GPU của Huginn.

Tổng bộ nhớ suy luận còn bao gồm KV cache dùng để tái sử dụng ngữ cảnh trước, các trạng thái trung gian và không gian làm việc thực thi. Hướng dẫn tối ưu hóa suy luận của NVIDIA phân biệt trọng số và KV cache là hai thành phần bộ nhớ chính. Ngữ cảnh dài hơn và nhiều yêu cầu đồng thời hơn làm tăng áp lực cache. Liệu cache có thể được chia sẻ giữa các bước đệ quy hay không phụ thuộc vào thiết kế.

Tái sử dụng trọng số cũng khác với việc giảm di chuyển dữ liệu. Nếu trọng số không thể ở lại trong bộ nhớ on-chip nhanh, một lượt qua khác có thể cần đọc lại chúng từ HBM. Lặp lại có thể làm tăng nhu cầu băng thông song song với tính toán. Nếu không xem xét hệ thống phân cấp bộ nhớ và cách triển khai cụ thể, không thể tuyên bố rằng vòng lặp là lý do HBM trở nên không cần thiết.

Phần mềm phải hiện thực hóa khoản tiết kiệm từ thoát sớm

Mixture-of-Recursions (MoR) thay đổi độ sâu đệ quy theo từng token và quản lý tính toán cùng bộ nhớ đệm xung quanh các token còn hoạt động ở một độ sâu nhất định. Mục tiêu là hướng tính toán đến các token khó hơn thay vì lãng phí vào những token dễ.

Triển khai thực tế làm điều này phức tạp hơn. Các yêu cầu đệ quy khác nhau giữa các request có thể làm giảm hiệu quả batching. Các bộ lên lịch cần cho phép công việc khác sử dụng tài nguyên được giải phóng bởi hoàn thành sớm. Đây là thách thức vận hành được dự đoán trước, không phải kết quả đo lường cho một sản phẩm thương mại cụ thể.

Thẻ mô hình Ouro cung cấp một ví dụ cụ thể. Mô hình hỗ trợ thoát sớm, nhưng thẻ nêu rõ rằng vLLM không hỗ trợ tính năng này và thay vào đó thực thi toàn bộ số lần đệ quy được cấu hình. Một khả năng kiến trúc không tự động được triển khai trong engine phục vụ.

Điều này đặt ra các câu hỏi cụ thể cho các công ty phần mềm hạ tầng AI như Lablup: liệu nền tảng có thể batch các công việc với độ sâu đệ quy khác nhau, tái sử dụng cache, và giảm thời gian hoàn thành cùng chi phí năng lượng ở cùng chất lượng không? Đây là những câu hỏi để đánh giá cơ hội, không phải tuyên bố rằng Lablup đã hỗ trợ các tính năng đó hay đã chứng minh tăng trưởng doanh thu từ chúng.

Bán dẫn Hàn Quốc đối mặt với cả tiết kiệm tài nguyên lẫn mở rộng sử dụng

Sau đây là các kịch bản có điều kiện cho việc áp dụng mô hình vòng lặp rộng rãi hơn, không phải dự báo thu nhập.

Điều kiện	Tác động ngành có thể xảy ra	Bằng chứng cần thiết
Ít trọng số và ít cache hơn ở cùng chất lượng	Áp lực bộ nhớ thấp hơn mỗi request	Bộ nhớ đo lường ở cùng ngữ cảnh và mức đồng thời
Nhiều đệ quy hơn cho các bài toán khó	Nhu cầu thời gian tăng tốc và năng lượng cao hơn	Thời gian GPU và năng lượng trên mỗi nhiệm vụ thành công
Chi phí thấp hơn mở rộng sử dụng	Nhu cầu hạ tầng tổng hợp ổn định hoặc tăng	Sử dụng thực tế của khách hàng và kế hoạch mua sắm
Đệ quy và quản lý cache làm giảm hiệu quả batching	Thương mại hóa bị trì hoãn	Thông lượng ở cùng mục tiêu độ trễ

Đối với các nhà cung cấp bộ nhớ như Samsung Electronics và SK hynix, nhu cầu tổng hợp phụ thuộc vào cả tài nguyên mỗi request lẫn tổng số request. Hiệu quả có thể kích thích áp dụng, nhưng tăng trưởng đó không thể được giả định là vượt quá phần tiết kiệm. Phân tích này một mình không đủ để điều chỉnh dự báo nhu cầu HBM hay thu nhập công ty.

So sánh hữu ích hơn là chi phí hoàn thành một nhiệm vụ thành công. Điểm benchmark cao vẫn có thể tốn kém nếu việc lặp lại mất quá nhiều thời gian hoặc phải thử lại thường xuyên. Ngược lại, tính toán thêm có thể giảm tổng chi phí nếu nó cải thiện đủ tỷ lệ thành công ngay lần đầu.

Bài kiểm tra tiếp theo là chi phí nhiệm vụ, không phải số lượng tham số

Kiểm chứng trường hợp công nghiệp đòi hỏi so sánh tổng bộ nhớ, thời gian hoàn thành, năng lượng và thông lượng đồng thời ở cùng độ chính xác. Độ trễ đuôi quan trọng không kém giá trị trung bình, ngay cả với các câu hỏi dễ. Nếu nhiều đệ quy hơn không còn cải thiện chất lượng, hoặc tổn thất batching vượt quá tiết kiệm tài nguyên, luận điểm thương mại hóa trở nên yếu hơn.

Tiết lộ kiến trúc thêm có thể xác lập xem Astra có thuộc dòng nghiên cứu này hay không. Trong khi đó, một thay đổi có thể kiểm chứng vẫn còn đó: lập kế hoạch hạ tầng phải xem xét thời gian tính toán cho mỗi bài toán và khi nào nên dừng lại, cùng với kích thước của mô hình được lưu trữ. Biến sự linh hoạt đó thành chi phí thực tế thấp hơn là bài kiểm tra chung của cả phần cứng lẫn phần mềm.