NVIDIA và Microsoft đã bắt tay vào hành động: DeepSeek-Bot với 238 ngôi sao trong 4 ngày, đã tiêu tốn hóa đơn Token gấp 30 lần

Lời mở đầu： Ngày 7 tháng 10, DeepSeek-Bot ra mắt, chỉ là một plugin nhỏ giúp nhiều AI Bot hợp tác trong nhóm chat, bốn ngày đạt 238 sao, bản thân nó không đủ để viết một bài sâu. Điều đáng viết về nó là một điều khác: nó đã chạm vào một xu hướng đang thay đổi giá phần cứng AI, sự hợp tác của nhiều tác nhân khiến việc tiêu thụ Token xảy ra sự nhảy vọt về quy mô, và hóa đơn nhảy vọt cuối cùng rơi vào CPU và bộ nhớ. Bài viết này xuất phát từ plugin nhỏ này, kết nối số lần Token, khoảng cách CPU, thay thế bộ nhớ và hành động của hai gã khổng lồ thành một chuỗi.

Một, 30 lần không phải là gấp bội tuyến tính, mà là chi phí từ có thể dự toán trở thành không thể dự toán

Trước tiên hãy xem quy mô. Theo dữ liệu kỹ thuật từ Anthropic, tiêu thụ Token của một Agent hoàn thành một nhiệm vụ điển hình khoảng 4 lần so với cuộc trò chuyện thông thường, hệ thống hợp tác nhiều Agent đạt 15 lần. Con số mà giới học thuật đưa ra còn cực đoan hơn: theo bài báo liên quan, trong nhiệm vụ lập trình Agentic, tiêu thụ Token của Agent khoảng 1000 lần so với cuộc trò chuyện tiêu chuẩn, các công cụ đơn giản để vận hành hệ thống bên ngoài cũng nằm trong khoảng từ 5 đến 30 lần.

Trong cùng một bài báo còn có một phát hiện dễ bị bỏ qua hơn: khi chạy cùng một Agent, thực hiện cùng một nhiệm vụ, biên độ dao động của hóa đơn Token có thể lên tới 30 lần. Điều này có nghĩa là, cùng một người dùng nhấn cùng một nút, số lần gọi mô hình phía sau có thể khác nhau tới 30 lần, mỗi lần gọi đều phải gửi lại lịch sử cuộc trò chuyện tích lũy. Gartner trong báo cáo tháng 3 năm 2026 đưa ra ước tính trung bình: mỗi nhiệm vụ trong quy trình làm việc Agentic tiêu thụ Token gấp 5 đến 30 lần so với chatbot tiêu chuẩn, vì một yêu cầu của người dùng có thể kích hoạt từ 10 đến 20 lần gọi mô hình theo thứ tự.

Dự đoán của bộ phận nghiên cứu Goldman Sachs vào tháng 5 còn táo bạo hơn: đến năm 2030, lượng tiêu thụ Token sẽ tăng 24 lần, quy đổi hàng tháng khoảng 12 triệu triệu Token. Sự giảm giá của Token không đảo ngược được xu hướng này, theo Gartner dự đoán, chi phí suy diễn sẽ giảm hơn 90% vào năm 2030 so với năm 2025, nhưng tốc độ tăng trưởng tiêu thụ vượt xa mức giảm giá. Mỗi lần gọi ngày càng rẻ, số lần gọi ngày càng nhiều, mỗi lần ngày càng lớn, tổng chi tiêu tăng lên do sự bùng nổ tiêu thụ.

Tổng hợp dữ liệu gọi và số liệu phần cứng, mâu thuẫn chính của nền kinh tế Token đã chuyển từ giá đơn vị sang tích số của số lần gọi và tiêu thụ mỗi lần. Điều này có ý nghĩa với phần cứng là: nút thắt của tỷ lệ sử dụng GPU không còn là tốc độ tính toán một lần, mà là băng thông bộ nhớ và lập lịch; đây chính là lý do CPU và bộ nhớ lại trở thành tâm điểm của giá cả.

Hai, CPU từ vai phụ trở lại vai chính

Trong hệ thống nhiều tác nhân, lập lịch nhiệm vụ, gọi công cụ, phán đoán logic, quản lý ngữ cảnh, đều là những việc mà CPU giỏi. Theo báo cáo nghiên cứu của Shanghai Securities News, chỉ riêng thời gian tiêu tốn trong giai đoạn sắp xếp của tác nhân đã có thể chiếm từ 50% đến 90% tổng độ trễ; khi hiệu suất CPU không đủ, GPU mạnh đến đâu cũng sẽ bị bỏ không do chờ lập lịch.

Nhu cầu đã thể hiện rõ trên giá cả và thời gian giao hàng. Theo các báo cáo công khai, Intel xác nhận đã tăng giá một số CPU máy chủ, giá Xeon cao cấp tăng tổng cộng từ 7% đến 12%, CPU tiêu dùng đã trải qua ba lần điều chỉnh giá trong năm nay, tổng mức tăng của dòng Plus gần 30%; AMD dự kiến sẽ tăng giá thêm từ 4% đến 7% cho CPU máy chủ tầm trung và cao cấp trong nửa cuối năm; thời gian giao hàng CPU máy chủ đã kéo dài từ 1 đến 2 tuần thông thường lên 8 đến 12 tuần, trong một số trường hợp kéo dài đến 6 tháng.

Có hai ước tính về quy mô. Theo tính toán của Arm, mỗi gigawatt công suất trung tâm dữ liệu AI truyền thống cần khoảng 30 triệu lõi CPU, trong thời đại tác nhân sẽ tăng lên 120 triệu lõi, tăng gấp 3 lần; theo khung của Morgan Stanley, đến năm 2030, AI Agentic sẽ mang lại thị trường tăng trưởng CPU từ 32,5 đến 60 tỷ USD, chiếm khoảng 60% trong tổng thị trường CPU máy chủ trên 100 tỷ USD. Hướng đi mà AMD đưa ra trong cuộc gọi báo cáo tài chính quý đầu tiên nhất quán: tỷ lệ CPU và GPU trong cơ sở hạ tầng AI đang từ 1:4 đến 1:8 tiến gần về 1:1, trong các tình huống triển khai dày đặc tác nhân, số lượng cấu hình CPU có thể vượt qua GPU.

Xem xét sâu hơn: độ đàn hồi của dòng CPU này đến từ sự thay đổi tỷ lệ, chứ không phải tăng trưởng tổng lượng. Thị trường CPU máy chủ bản thân tăng trưởng ổn định, sự thay đổi nằm ở số lượng CPU đứng cạnh mỗi GPU. Tỷ lệ từ 1:8 đến 1:1 có nghĩa là cùng một khoản chi cho GPU tương ứng với nhiều lần chi cho CPU, đây là lần đầu tiên CPU có logic tăng trưởng độc lập trong câu chuyện phần cứng AI. Điều kiện tiên quyết cho phán đoán này là tải tác nhân thực sự mở rộng theo con đường hiện tại, nếu giai đoạn sắp xếp bị tối ưu hóa phần mềm rõ rệt, đường cong tỷ lệ sẽ chậm lại.

Ba, bộ nhớ: nguồn gốc của sự thiếu hụt nằm ở việc thay thế công suất, không phải ở biến động nhu cầu

Hệ thống nhiều tác nhân phụ thuộc vào bộ nhớ dài hạn, ghi nhớ sở thích, lịch sử và tiến độ nhiệm vụ, và gọi lại tại các thời điểm khác nhau. Về mặt kỹ thuật, mỗi lần suy diễn nội bộ đều phải đọc toàn bộ bộ nhớ KV đang ngày càng tăng từ bộ nhớ GPU, suy diễn là công việc tiêu tốn băng thông bộ nhớ. Nói theo cách mà nhà đầu tư nhỏ quen thuộc: GPU tính toán nhanh hay không, ngày càng phụ thuộc vào việc bộ nhớ cung cấp nhanh hay không.

Các giám đốc điều hành của Micron đã nói rất thẳng thắn về điều này. Phó giám đốc điều hành Sumit Sadana tại diễn đàn công nghệ KeyBanc cho biết, tải công việc AI Agentic có thể tiêu thụ Token gấp 5 đến 30 lần so với các nhiệm vụ trò chuyện tương tự, suy diễn sâu hơn còn cao hơn; CEO Sanjay Mehrotra trong cuộc phỏng vấn với CNBC cho biết, thời đại huấn luyện đã qua, thời đại suy diễn mới chỉ bắt đầu, trong khi AI tác nhân thậm chí còn chưa thực sự được triển khai quy mô lớn.

Báo cáo của Micron đang xác nhận xu hướng này. Doanh thu quý 3 năm tài chính 26 đạt 41,456 tỷ USD, tăng trưởng 345,7% so với cùng kỳ năm trước, doanh thu từ mảng trung tâm dữ liệu đạt 11,52 tỷ USD, trong khi cùng kỳ năm trước chỉ là 1,53 tỷ USD; doanh thu quý 4 năm tài chính 26 tiếp tục tăng lên 54,229 tỷ USD (báo cáo tài chính công ty, đã xác minh qua giao diện dữ liệu tài chính). Sadana đã bổ sung hai điểm tại diễn đàn: tỷ lệ cung cầu năm 2027 sẽ chặt chẽ hơn năm 2026, khách hàng DRAM "ngay cả khi trả giá cao cũng không thể lấy được hơn một nửa mong muốn"; về sản phẩm, HBM4 36GB 12-high trong điều kiện thử nghiệm có thể nâng cao thông lượng suy diễn LLM lên 2,6 lần.

Chi tiết quan trọng hơn là tỷ lệ thay thế: mỗi khi sản xuất 100 bit HBM, khoảng 300 bit DDR sẽ bị giảm sản lượng, với sự tiến triển của HBM4E có thể gần đạt 4:1. Điều này có nghĩa là nguồn gốc cấu trúc của sự thiếu hụt bộ nhớ không nằm ở phía nhu cầu, mà ở việc thay thế công suất vật lý, mỗi khi HBM mở rộng sản xuất một phần, nguồn cung DRAM truyền thống sẽ bị nén lại ba đến bốn phần. Chỉ cần HBM còn mở rộng sản xuất cho AI, sự thiếu hụt DDR sẽ khó có thể được giải quyết bằng cách giảm nhiệt nhu cầu, điểm xác nhận của logic cung cầu này nằm ở các nhà sản xuất như Micron công bố sau này về công suất và hướng dẫn giá cả.

Bốn, sự hoảng loạn của phần mềm và sự gia tăng của phần cứng, đến từ cùng một lần phát hành sản phẩm

Giữa tháng 1 năm 2026, Anthropic phát hành Claude Cowork, vào ngày 30 tháng 1 ra mắt plugin ngành hướng tới pháp lý, tài chính, bán hàng và các chức năng khác, sau đó Claude Opus 4.6 chia nhỏ nhiệm vụ lớn thành các nhiệm vụ con, giao cho các tác nhân khác nhau hoàn thành song song. Phản ứng của thị trường chia thành hai nửa. Phía phần mềm, theo các báo cáo công khai và báo cáo nghiên cứu của Wedbush, đợt bán tháo đó đã xóa sổ giá trị thị trường phần mềm từ 800 tỷ đến 1 nghìn tỷ USD (phạm vi cổ phiếu khác nhau giữa các thống kê), FactSet giảm 10% trong một ngày, Wedbush gọi đó là "Software-mageddon". Nỗi lo ngại cốt lõi là: khi các tác nhân có thể tự hoàn thành việc xem xét hợp đồng, phân tích tài chính, mô hình SaaS tính phí theo đầu người sẽ bị xói mòn.

Phía phần cứng vào cùng một thời điểm đưa ra số liệu trái ngược. Morgan Stanley chỉ ra rằng, khi AI chuyển từ sinh ra sang tác nhân, phạm vi đầu tư sẽ mở rộng từ GPU sang CPU và bộ nhớ; trọng số của bán dẫn trong S&P 500 đã vượt qua 20%. Hai mặt của cùng một đồng xu là: khả năng thay thế của các tác nhân càng mạnh, tiêu thụ sức mạnh tính toán, CPU và bộ nhớ càng lớn. Nỗi lo lắng về thị phần của phần mềm và sự gia tăng nhu cầu của phần cứng, đều được thúc đẩy bởi cùng một chu kỳ sản phẩm, nếu coi chúng là hai câu chuyện khác nhau để định giá, có thể là một trong những sự phân kỳ định giá lớn nhất trong lĩnh vực AI hiện tại.

Năm, Microsoft và NVIDIA đang làm gì

Vào ngày 7 tháng 10 theo giờ địa phương, Microsoft đã công bố Surface Laptop Ultra hợp tác với NVIDIA tại San Francisco: nền tảng NVIDIA RTX Spark, GPU Blackwell RTX tối đa 6144 lõi, CPU Grace tối đa 20 lõi, bộ nhớ thống nhất tối đa 128GB, có thể chạy mô hình hơn 1200 tỷ tham số tại chỗ, giá khởi điểm từ 2599 USD, giao hàng vào ngày 16 tháng 10. Huang Renxun có mặt, câu nói của ông đã được trích dẫn rộng rãi: "Trong 40 năm qua, bạn khởi động ứng dụng, nhấn, gõ; bây giờ bạn đặt câu hỏi, máy tính làm việc cho bạn."

Quan trọng hơn cả là sự thay đổi trong hệ điều hành. Theo blog chính thức của Microsoft, Windows được thiết kế lại xung quanh "trí tuệ hỗn hợp": sau khi được cấp phép, Copilot có thể đọc tệp cục bộ, sắp xếp, kiểm tra sự cố, thực hiện quy trình làm việc; về mặt an toàn, thông qua container cấp hệ thống để hạn chế các tệp và mạng mà tác nhân có thể truy cập; theo nhiệm vụ, lập lịch giữa mô hình cục bộ và mô hình đám mây. NVIDIA cũng đã phát hành Open Agent Safety Platform vào ngày 28 tháng 9, bao phủ an toàn cho tác nhân từ thử nghiệm đến triển khai; Huang Renxun đồng thời tiết lộ, đơn hàng của hệ thống Blackwell và Vera Rubin đã đạt 1 nghìn tỷ USD, kéo dài đến năm 2027 (theo thông tin công ty).

Logic của hai hành động là liên tục: Microsoft đang tái xây dựng lối vào cho thời đại tác nhân ở cấp độ hệ điều hành, NVIDIA đang chuẩn bị hàng hóa cho việc triển khai quy mô của tác nhân ở cấp độ chip và nền tảng. Thay vì nói rằng họ đang mong đợi sự hợp tác của nhiều tác nhân đến, có lẽ họ đã bắt đầu xây dựng nền tảng cho nó. Đưa một phần suy diễn vào thiết bị cục bộ, về bản chất là thừa nhận rằng tiêu thụ sức mạnh tính toán của tác nhân quá lớn, phải xử lý theo từng lớp, mỗi PC chạy tác nhân đều là một nút sức mạnh tính toán mới.

Sáu, hóa đơn Token: từ tính phí theo đầu người sang tính phí theo tiêu thụ

Khảo sát doanh nghiệp của Gartner năm 2026 đưa ra một số liệu đáng được xem xét nghiêm túc: gần một phần tư các nhà lãnh đạo công nghệ đã bắt đầu trả từ 200 đến 500 USD mỗi tháng cho mỗi nhà phát triển cho Token lập trình AI, khoảng 6% vượt quá 2000 USD; tổ chức này dự đoán, chi phí Token lập trình AI sẽ vượt qua mức lương trung bình của nhà phát triển vào năm 2028. Điều này báo hiệu sự chuyển đổi trong cách tính phí: thời đại chatbot dự toán theo số lượng chỗ ngồi, thời đại tác nhân chỉ có thể dự toán theo số lần thực hiện, mà số lần thực hiện ngay cả mô hình cũng không thể ước lượng chính xác, bài báo liên quan đã chỉ rõ, mô hình sẽ liên tục đánh giá thấp số lượng Token mà nó sẽ tiêu tốn.

Quay trở lại plugin nhỏ với 238 sao. Main Bot mặc định độc quyền phản hồi, gọi các Bot khác theo nhu cầu, những gì nhà phát triển thực hiện thực chất là quản lý ngân sách Token đơn giản nhất. Hành động vi mô này khi đưa vào triển khai cấp doanh nghiệp, ý nghĩa sẽ được phóng đại: nhu cầu cứng nhắc đối với CPU, bộ nhớ và mạng chỉ ngày càng mạnh mẽ hơn.

Viết ở cuối

238 ngôi sao của DeepSeek-Bot không quan trọng, điều quan trọng là cấu trúc chi phí mà nó thể hiện: mỗi bước hợp tác của đa tác nhân, hóa đơn Token sẽ nhảy lên một bậc, độ nhảy của nó ngay cả mô hình cũng không thể dự đoán. Cấu trúc này dọc theo chuỗi công nghiệp ép xuống hạ nguồn, trước tiên ép ra sự thay đổi tỷ lệ CPU và thời gian giao hàng, sau đó ép ra khả năng sản xuất bộ nhớ, cuối cùng ép ra sự tái cấu trúc ở cấp hệ điều hành. Nhìn từ chuỗi này, cấu trúc tiêu thụ sức mạnh tính toán có thể đang từ GPU đơn cực chuyển sang sự hợp tác giữa CPU, bộ nhớ và GPU, sự gia tăng nhu cầu ở phía phần cứng tương đối dễ kiểm tra, trong khi tác động ở phía phần mềm phụ thuộc vào nhịp độ thay thế đại lý; hai mạch này được điều khiển bởi cùng một chu kỳ sản phẩm. Sự chuyển dịch này đã được thị trường tính toán đến mức độ nào vẫn còn cần quan sát.

Tuyên bố miễn trừ trách nhiệm: Nội dung bài viết này chỉ nhằm mục đích thông tin chung và bình luận thị trường, dựa trên tài liệu công khai được biên soạn tính đến thời điểm được đề cập trong bài viết, dữ liệu thị trường liên quan, kỳ vọng và xác suất có thể thay đổi theo tình hình thị trường. Quan điểm và chiến lược đầu tư của các tổ chức, nhà phân tích hoặc cá nhân bên thứ ba được trích dẫn trong bài viết chỉ đại diện cho quan điểm của bên thứ ba liên quan tại một thời điểm cụ thể, không đại diện cho quan điểm hoặc khuyến nghị của BIT. Bài viết này không cấu thành lời khuyên đầu tư, nghiên cứu đầu tư, đề nghị, mời gọi hoặc khuyến nghị về bất kỳ chứng khoán, sản phẩm đầu tư hoặc chiến lược giao dịch nào, cũng không nên được coi là cơ sở cho bất kỳ quyết định đầu tư nào. Thị trường tài chính có rủi ro, giá chứng khoán và hiệu suất thị trường có thể biến động, hiệu suất lịch sử và xu hướng thị trường trước đây không đại diện hoặc đảm bảo kết quả trong tương lai. Nhà đầu tư nên tự đánh giá các rủi ro liên quan dựa trên tình hình của bản thân và tìm kiếm ý kiến chuyên môn khi cần thiết. Dịch vụ giao dịch cổ phiếu Hồng Kông của BIT không cung cấp cho cư dân Hồng Kông hoặc người dùng ở các khu vực pháp lý bị hạn chế khác.