NVIDIA và Microsoft đã hành động: DeepSeek-Bot với 238 sao trong 4 ngày, đốt ra hóa đơn Token gấp 30 lần

DeepSeek-Bot ra mắt ngày 7 tháng 10 chỉ là một plugin nhỏ cho phép nhiều AI Bot phối hợp trong nhóm chat, bốn ngày đạt 238 sao, tự nó không đủ để viết thành một bài phân tích chuyên sâu. Điều đáng viết về nó là một câu chuyện khác: nó chạm đúng một xu hướng đang viết lại cách định giá phần cứng AI — sự cộng tác đa tác nhân khiến mức tiêu thụ Token có bước nhảy theo cấp số nhân, và hóa đơn của bước nhảy đó cuối cùng lại rơi lên CPU và bộ nhớ. Bài viết này xuất phát từ plugin nhỏ đó, nối lại thành một mạch: bội số Token, khoảng trống CPU, hoán đổi bộ nhớ và hành động của hai gã khổng lồ.

1. 30 lần không phải là tăng tuyến tính, mà là chi phí từ có thể dự toán thành không thể dự toán

Trước tiên xem về mặt định lượng. Theo dữ liệu kỹ thuật của Anthropic được thuật lại, một Agent đơn hoàn thành một tác vụ điển hình tiêu thụ Token khoảng 4 lần so với một cuộc trò chuyện thông thường, còn hệ thống cộng tác đa Agent đạt mức 15 lần. Giới học thuật đưa ra con số còn cực đoan hơn: theo bài báo khoa học chung nêu trên, trong các tác vụ lập trình Agentic, mức tiêu thụ Token mà Agent thực thi khoảng 1000 lần so với đối thoại tiêu chuẩn, và các công cụ đơn giản thao tác trên hệ thống bên ngoài cũng nằm trong khoảng 5 đến 30 lần.

Trong cùng bài báo đó còn một phát hiện dễ bị bỏ qua hơn: chạy cùng một Agent, thực hiện cùng một tác vụ, biên độ dao động của hóa đơn Token có thể lên tới 30 lần. Nói cách khác, cùng một người dùng bấm cùng một nút, số lần gọi mô hình phía sau có thể chênh nhau 30 lần, mỗi lần gọi đều phải gửi lại lịch sử hội thoại đã tích lũy. Gartner trong báo cáo tháng 3 năm 2026 đưa ra ước tính dung hòa: quy trình làm việc Agentic tiêu thụ Token mỗi tác vụ gấp 5 đến 30 lần so với chatbot tiêu chuẩn, vì một yêu cầu người dùng có thể kích hoạt 10 đến 20 lần gọi mô hình tuần tự.

Dự báo tháng 5 của Bộ phận Nghiên cứu Goldman Sachs còn quyết liệt hơn: đến năm 2030 mức tiêu thụ Token sẽ tăng 24 lần, quy đổi theo tháng khoảng 1,2 tỷ tỷ Token. Đà giảm của đơn giá Token không đảo ngược xu hướng này; theo dự báo của Gartner, đến năm 2030 chi phí suy luận sẽ giảm hơn 90% so với năm 2025, nhưng tốc độ tăng trưởng của khối lượng sử dụng vượt xa mức giảm giá. Mỗi lần gọi ngày càng rẻ, nhưng số lần gọi ngày càng nhiều và mỗi lần ngày càng lớn, tổng chi tiêu tăng do khối lượng sử dụng bùng nổ.

Tổng hợp dữ liệu gọi và chỉ số phần cứng, mâu thuẫn chính của nền kinh tế Token đã chuyển từ đơn giá sang tích của số lần gọi và mức tiêu thụ mỗi lần. Hàm ý của điều này đối với phần cứng là: nút thắt của tỷ lệ sử dụng GPU không còn là tốc độ tính toán thuận một lần, mà nằm ở băng thông bộ nhớ và điều phối; đây chính là lý do CPU và bộ nhớ quay lại tầm ngắm định giá.

2. CPU từ vai phụ trở lại vai chính

Trong hệ thống đa tác nhân, điều phối tác vụ, gọi công cụ, phán đoán logic, quản lý ngữ cảnh đều là những việc CPU giỏi. Theo báo cáo nghiên cứu của Thượng Hải Chứng báo, trong tải lượng tác nhân thông minh, chỉ riêng khâu điều phối đã có thể chiếm 50% đến 90% tổng độ trễ; khi hiệu năng CPU không đủ, GPU mạnh đến đâu cũng sẽ nhàn rỗi vì chờ điều phối.

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

Có hai bên ước tính về mặt định lượng. Theo tính toán của Arm, trung tâm dữ liệu AI truyền thống cần khoảng 30 triệu lõi CPU cho mỗi gigawatt công suất, thời đại tác nhân sẽ tăng lên 120 triệu lõi, gấp 3 lần; theo khung của Morgan Stanley, đến năm 2030 Agentic AI mang lại thị trường CPU tăng thêm 32,5 đến 60 tỷ USD, chiếm khoảng 60% trong tổng thị trường CPU máy chủ hơn 100 tỷ USD. AMD tại cuộc gọi hội nghị tài chính quý I đưa ra định hướng nhất quán: tỷ lệ cấu hình CPU và GPU trong hạ tầng AI đang từ 1:4 đến 1:8 tiến về 1:1, trong kịch bản triển khai dày đặc tác nhân, số lượng cấu hình CPU có thể vượt GPU.

Nhìn sâu hơn: độ co giãn của tuyến CPU đến từ sự thay đổi tỷ lệ cấu hình, chứ không phải tăng trưởng tổng lượng. Bản thân thị trường CPU máy chủ có tốc độ tăng trưởng ổn định, thay đổi nằm ở số lượng CPU đứng cạnh mỗi GPU. Tỷ lệ cấu hình từ 1:8 đi đến 1:1 nghĩa là cùng một khoản chi GPU tương ứng với gấp nhiều lần chi CPU, đây là lần đầu tiên CPU có logic tăng trưởng độc lập trong câu chuyện phần cứng AI. Tiền đề của phán đoán này là tải lượng tác nhân thực sự tăng theo đường đi hiện tại; nếu khâu điều phối bị phần mềm tối ưu nén mạnh, đường cong tỷ lệ cấu hình sẽ chậm lại.

3. Bộ nhớ: nguồn gốc khan hiếm nằm ở hoán đổi công suất, không phải dao động nhu cầu

Hệ thống đa tác nhân phụ thuộc vào ký ức dài hạn, ghi nhớ sở thích, lịch sử và tiến độ tác vụ, và gọi lại ở các thời điểm khác nhau. Về mặt kỹ thuật, mỗi lần suy luận nội bộ đều phải đọc toàn bộ KV cache không ngừng tăng từ bộ nhớ GPU, suy luận là công việc ngốn băng thông bộ nhớ. Nói theo cách nhà đầu tư cá nhân quen thuộc: GPU tính nhanh hay không ngày càng phụ thuộc vào việc bộ nhớ nuôi nhanh hay không.

Các lãnh đạo của Micron đã nói thẳng điều này ở nơi công khai. Phó chủ tịch điều hành Sumit Sadana tại Diễn đàn Công nghệ KeyBanc cho biết, mức tiêu thụ Token của tải lượng công việc Agentic AI có thể đạt 5 đến 30 lần so với tác vụ chat cùng loại, suy luận sâu còn cao hơn; CEO Sanjay Mehrotra trong phỏng vấn với CNBC nói rằng thời đại huấn luyện đã qua, thời đại suy luận mới bắt đầu, và AI tác nhân thậm chí còn chưa thực sự triển khai quy mô lớn.

Báo cáo của Micron đang xác nhận xu hướng này. FY26Q3 doanh thu 41,456 tỷ USD, tăng 345,7% so với cùng kỳ, doanh thu mảng trung tâm dữ liệu 11,52 tỷ USD, cùng kỳ năm trước chỉ 1,53 tỷ USD; FY26Q4 doanh thu tiếp tục lên 54,229 tỷ USD (báo cáo tài chính công ty, đã kiểm chứng qua giao diện dữ liệu tài chính). Sadana tại diễn đàn bổ sung hai điểm: tỷ lệ cung cầu năm 2027 còn chặt hơn năm 2026, khách hàng DRAM "dù trả giá cao cũng không lấy được hơn một nửa so với mong muốn"; về sản phẩm, HBM4 36GB 12-high trong điều kiện thử nghiệm có thể nâng thông lượng suy luận LLM lên 2,6 lần.

Chi tiết then chốt hơn là tỷ lệ hoán đổi: mỗi 100 bit HBM sản xuất ra làm giảm khoảng 300 bit sản lượng DDR, khi HBM4E tiến triển có thể tiến gần 4:1. Điều này có nghĩa nguồn gốc cấu trúc của tình trạng khan hiếm bộ nhớ không nằm ở phía nhu cầu, mà ở sự hoán đổi vật lý của công suất sản xuất; mỗi phần HBM mở rộng sản xuất, nguồn cung DRAM truyền thống bị nén lại ba đến bốn phần. Chỉ cần HBM còn mở rộng sản xuất cho AI, tình trạng khan hiếm DDR khó có thể giải quyết bằng cách hạ nhiệt nhu cầu; điểm kiểm chứng của logic cung cầu này nằm ở định hướng công suất và giá mà các nhà sản xuất như Micron công bố tiếp theo.

4. Nỗi hoảng loạn của phần mềm và phần tăng thêm của phần cứng đến từ cùng một lần ra mắt sản phẩm

Giữa tháng 1 năm 2026, Anthropic ra mắt Claude Cowork, ngày 30 tháng 1 ra mắt plugin ngành hướng tới các chức năng pháp lý, tài chính, bán hàng, sau đó Claude Opus 4.6 chia tác vụ lớn thành tác vụ con, giao cho các tác nhân khác nhau hoàn thành song song. Phản ứng của thị trường chia thành hai nửa. Về phía phần mềm, theo các báo cáo công khai và báo cáo nghiên cứu của Wedbush, đợt bán tháo đó xóa sổ giá trị cổ phiếu phần mềm trong khoảng 800 tỷ đến 1.000 tỷ USD (phạm vi cổ phiếu các thống kê khác nhau bao phủ khác nhau), FactSet giảm 10% trong một ngày, Wedbush gọi đó là "Software-mageddon". Nỗi lo cốt lõi là: sau khi tác nhân có thể tự chủ hoàn thành rà soát hợp đồng, phân tích tài chính, mô hình SaaS thu phí theo đầu người sẽ bị xói mòn.

Về phía phần cứng, cùng thời điểm đưa ra chỉ số ngược lại. Morgan Stanley chỉ ra rằng khi AI chuyển từ tạo sinh 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 20%. Hai mặt của cùng một đồng xu là: khả năng thay thế của tác nhân càng mạnh, mức tiêu thụ năng lực tính toán nền, CPU và bộ nhớ càng lớn. Nỗi lo về thị phần của phần mềm và phần tăng thêm nhu cầu của phần cứng đều được thúc đẩy bởi cùng một chu kỳ sản phẩm; coi chúng như hai câu chuyện định giá riêng biệt có thể là một trong những khác biệt định giá lớn nhất của mảng AI hiện tại.

5. Microsoft và Nvidia đang làm gì

Ngày 7 tháng 10 theo giờ địa phương, Microsoft ra mắt tại San Francisco Surface Laptop Ultra hợp tác với Nvidia: nền tảng NVIDIA RTX Spark, GPU Blackwell RTX tối đa 6144 lõi, kết hợp CPU Grace tối đa 20 nhân, bộ nhớ hợp nhất tối đa 128GB, có thể chạy cục bộ mô hình hơn 120 tỷ tham số, giá từ 2599 USD, giao hàng ngày 16 tháng 10. Jensen Huang có mặt, câu nói của ông được trích dẫn rộng rãi: "Bốn mươi năm qua, bạn khởi động ứng dụng, nhấp chuột, gõ phím; giờ đây bạn đặt câu hỏi, máy tính làm việc thay bạn."

Quan trọng hơn phần cứng là cách sửa đổi hệ điều hành. Theo blog chính thức của Microsoft, Windows được thiết kế lại xoay quanh "trí tuệ lai": sau khi được cấp quyền, Copilot có thể đọc tệp cục bộ, thay bạn sắp xếp, khắc phục sự cố, thực thi quy trình làm việc; về bảo mật, thông qua container cấp hệ thống giới hạn phạm vi tệp và mạng mà tác nhân có thể truy cập; điều phối theo tác vụ giữa mô hình cục bộ và mô hình đám mây. Nvidia thì ngày 28 tháng 9 ra mắt Open Agent Safety Platform, bao phủ lớp bảo mật của tác nhân từ thử nghiệm đến triển khai; Jensen Huang đồng thời tiết lộ, giá trị đơn hàng hệ thống Blackwell và Vera Rubin đã đạt 1.000 tỷ USD, bao phủ đến năm 2027 (theo tiêu chuẩn công ty).

Logic của hai hành động này là nhất quán: Microsoft tái thiết lập cửa vào ở tầng hệ điều hành cho thời đại tác nhân, Nvidia dự trữ hàng ở tầng chip và nền tảng cho triển khai quy mô tác nhân. Thay v