AI Trung Quốc đang đứng trước một nghịch lý đáng chú ý: năng lực phát triển chip nội địa ngày càng được cải thiện, nhưng các phòng thí nghiệm vẫn chưa dễ dàng loại bỏ phần cứng Nvidia khỏi quy trình huấn luyện những mô hình tiên tiến. Với các nhà phát triển, vấn đề không đơn thuần nằm ở việc chip nào mạnh hơn, mà còn là hệ sinh thái phần mềm đã được xây dựng trong nhiều năm.

Các mô hình AI tiên tiến tại Trung Quốc vẫn được cho là phụ thuộc đáng kể vào GPU Nvidia trong khâu huấn luyện.

Theo thông tin được dẫn lại từ SCMP, Nvidia hiện vẫn là lựa chọn phổ biến trong quá trình huấn luyện các mô hình ngôn ngữ lớn (LLM) tại Trung Quốc. Trong khi đó, những dòng chip nội địa như Huawei Ascend đang dần được sử dụng rộng rãi hơn, đặc biệt ở giai đoạn suy luận. Một số mô hình AI Trung Quốc đã được tối ưu để chạy trên phần cứng trong nước, nhưng điều đó chưa đồng nghĩa toàn bộ quá trình phát triển và huấn luyện ban đầu cũng sử dụng chip nội địa. Khoảng cách này đang trở thành một trong những thách thức lớn nhất đối với tham vọng tự chủ AI của Trung Quốc.

Nguyên nhân quan trọng nằm ở CUDA, nền tảng phần mềm của Nvidia đã trở thành một phần quen thuộc trong quy trình phát triển AI. Khi chuyển sang Ascend, các nhà phát triển không thể đơn giản mang mã CUDA sang sử dụng ngay mà phải điều chỉnh và tối ưu đáng kể để tương thích với hệ sinh thái CANN của Huawei. Một nhà phát triển mô hình AI tại Thượng Hải cho biết nhóm của ông có thể phải tiêu tốn thêm ít nhất 50% thời gian và chi phí nếu chuyển toàn bộ quy trình hiện tại sang Ascend. Với những mô hình nguồn mở như DeepSeek và các phiên bản chưng cất, một nhóm chỉ 2-3 kỹ sư có thể phải mất thêm khoảng một tháng để hoàn tất quá trình chuyển đổi. Bài toán còn phức tạp hơn với những mô hình mới, nơi khối lượng công việc có thể tăng lên đáng kể.

Điều này lý giải tại sao chip AI Trung Quốc có thể chạy mô hình nhưng vẫn chưa dễ thay thế Nvidia trong khâu huấn luyện. Training là giai đoạn mô hình phải xử lý lượng dữ liệu khổng lồ để hình thành năng lực, thường yêu cầu tài nguyên tính toán lớn và một hệ thống phần mềm được tối ưu kỹ lưỡng. Inference, ngược lại, là lúc mô hình đã hoàn thiện tiếp nhận dữ liệu mới để đưa ra kết quả và thường dễ thích nghi với nhiều nền tảng phần cứng hơn. Các mô hình như DeepSeek-V4 hay Kimi K3 được cho là đã có khả năng vận hành trên những nền tảng trong nước, nhưng thông tin chi tiết về phần cứng dùng để huấn luyện chưa được các công ty công bố đầy đủ. Theo những thông tin được dẫn lại, Moonshot AI được cho là vẫn sử dụng GPU Nvidia, bao gồm cả dòng Blackwell, trong quá trình phát triển Kimi K3.

Chip AI nội địa như Huawei Ascend đang được mở rộng sử dụng, nhưng hệ sinh thái phần mềm vẫn là rào cản lớn.

Tuy nhiên, chip nội địa Trung Quốc đang từng bước xuất hiện trong hoạt động huấn luyện thực tế, cho thấy sự phụ thuộc vào Nvidia không phải bất biến. Tháng 6, Meituan công bố LongCat-2.0 với quy mô 1.600 tỷ tham số và cho biết mô hình được huấn luyện lẫn vận hành trên một cụm gồm 50.000 card tăng tốc nội địa. Doanh nghiệp không tiết lộ cụ thể nhà cung cấp phần cứng, nhưng đây vẫn là tín hiệu đáng chú ý về khả năng mở rộng năng lực tính toán bằng chip trong nước. Nếu những hệ thống như vậy tiếp tục được triển khai ở quy mô lớn, Trung Quốc có thể từng bước thu hẹp khoảng cách giữa phần cứng nội địa và hệ sinh thái Nvidia.

Dù vậy, con đường này còn dài. Nvidia không chỉ bán GPU mà còn cung cấp cả một hệ sinh thái phần mềm, công cụ và nguồn lực phát triển mà các nhà phát triển AI đã quen thuộc. Vì thế, để thoát khỏi sự phụ thuộc, Trung Quốc cần giải quyết đồng thời hai bài toán: nâng hiệu năng và nguồn cung chip trong nước, đồng thời xây dựng một hệ sinh thái phần mềm đủ trưởng thành để các nhóm AI không phải mất thêm hàng tháng hay hàng triệu chi phí khi chuyển nền tảng. Đây cũng là lý do cuộc cạnh tranh chip AI hiện nay không đơn thuần là cuộc đua về số lượng transistor hay sức mạnh tính toán. Với Trung Quốc, thách thức khó nhất có thể nằm ở chính lớp phần mềm đứng phía trên con chip.