Hook: Một cú sốc từ Silicon Valley
Tuần trước, dòng tiền thông minh không chỉ di chuyển trên on-chain. Nó lặng lẽ rời khỏi những phòng lab 'quý tộc' của các công ty AI hàng đầu. Một tweet của Zhu Hongjiang – CEO Startup AI danh tiếng – đã làm rung chuyển giới công nghệ: 'Ở quy mô frontier model, hạ tầng quyết định tốc độ thí nghiệm, và tốc độ thí nghiệm quyết định sản lượng nghiên cứu.' Câu nói này như một lời tuyên chiến với văn hóa phân cấp đang ngự trị ở Silicon Valley. Và Elon Musk, với 200 triệu follower, đã nhanh chóng tweet lại: 'Hoàn toàn đồng ý. Văn hóa 'researcher làm vua, engineer làm nô lệ' ở Thung lũng Silicon là độc hại.' Hai tiếng nói từ hai đầu chiến tuyến, nhưng cùng chỉ về một điểm nóng: tổ chức AI đang lãng phí tài năng như thế nào. Là một trader full-time, tôi nhìn thấy ở đây không chỉ là drama, mà là một cấu trúc thị trường nhân sự đang bị định giá sai. Và sai lầm đó, như mọi sai lầm khác, luôn tạo ra cơ hội.
Context: Bức tranh tổ chức AI trước cơn bão
Để hiểu vì sao cuộc tranh luận này lại nóng, bạn cần nhìn vào cấu trúc quyền lực ngầm trong các phòng lab AI lớn nhất thế giới. Trong nhiều năm, một hệ thống phân cấp ngầm định tồn tại: Research Scientist (nhà nghiên cứu) ở tầng cao nhất, tiếp đến là Research Engineer (kỹ sư nghiên cứu), và dưới cùng là Software Engineer (kỹ sư phần mềm) hay Infrastructure Engineer (kỹ sư hạ tầng). Researcher được tôn vinh, được nói về 'tầm nhìn', được ghi tên trên các paper danh giá. Họ là 'quý tộc' của thế giới AI. Còn những người viết code xử lý dữ liệu, tối ưu hóa song song hóa, xây dựng pipeline huấn luyện – họ là 'nông dân' thầm lặng. Công việc của họ bị coi là 'chân tay', không xứng đáng được vinh danh. Văn hóa này bắt nguồn từ thời kỳ đầu của deep learning, khi một ý tưởng trên giấy có thể thay đổi cả ngành. Nhưng khi các mô hình đã vượt qua quy mô nghìn tỷ tham số, thực tế đã thay đổi: một ý tưởng hay có thể mất hàng tháng để thử nghiệm nếu hạ tầng yếu kém. Và đó là lúc 'nông dân' bắt đầu lên tiếng.
Core: Từ góc nhìn dòng lệnh – Ai thực sự lái con tàu?
Tôi đã dành 5 năm giao dịch crypto, và tôi hiểu một điều: dòng tiền tổ chức không bao giờ đi theo những câu chuyện đẹp. Nó đi theo nơi nào hiệu quả nhất. Trong AI, 'hiệu quả' có nghĩa là thời gian thực hiện một thí nghiệm từ lúc ý tưởng đến lúc có kết quả. Con số đó, tôi gọi là 'tốc độ quay vòng thí nghiệm' (experiment turnover rate). Một đội ngũ researcher trình độ cao nhưng với hạ tầng chậm có thể mất 1 tuần cho một thí nghiệm mà đội ngũ khác chỉ mất 2 ngày. Nếu bạn tính 52 tuần một năm, đội có hạ tầng tốt sẽ thực hiện được gấp 3-4 lần số thí nghiệm. Trong một cuộc đua mà mỗi tuần đều có model mới ra mắt, lợi thế đó là vô giá.
Hãy nhìn vào số liệu từ các công ty tiên phong. DeepSeek, một startup Trung Quốc, đã đạt được hiệu suất huấn luyện cao đáng kinh ngạc (MFU – Model FLOPs Utilization) nhờ tập trung vào kỹ thuật hạ tầng từ đầu. Họ không có nhiều researcher 'sao' như OpenAI, nhưng họ có những kỹ sư xuất sắc biết cách tối ưu hóa từng bit. Kết quả? Họ đưa ra thị trường các model với chi phí chỉ bằng 1/10 so với đối thủ. Còn Silicon Valley, với văn hóa đề cao researcher, đang đốt hàng tỷ đô la vào GPU nhưng bỏ qua việc tối ưu hóa hiệu quả sử dụng. Đây giống như một trader mua coin ở đỉnh rồi ôm chặt, không chịu cắt lỗ hay quản lý rủi ro. Sự lãng phí đó, trong mắt một nhà giao dịch, là một 'kèo thơm' cho các đội ngũ khác.
Một điểm mù quan trọng khác: văn hóa phân cấp tạo ra 'impermanent loss' về nhân tài. Khi kỹ sư hạ tầng cảm thấy bị coi thường, họ sẽ rời đi. Những người giỏi nhất sẽ chuyển sang các lĩnh vực được trọng vọng hơn, hoặc tự khởi nghiệp. Kết quả? Các phòng lab AI mất đi những người thực sự biết cách làm cho GPU chạy nhanh nhất. Tôi đã thấy điều tương tự trong DeFi Summer 2020: những người viết smart contract giỏi nhất bỏ qua các dự án bị coi thường, và sau đó trở thành 'blue chips' khi thị trường nhận ra giá trị thực sự.
Contrarian: Góc nhìn ngược – Tại sao 'nông dân' có thể là smart money?
Tôi biết bạn đang nghĩ: 'Ồ, thế thì cứ phá bỏ mọi thứ, làm phẳng tổ chức, cho engineer lên làm vua phải không?' Sai. Không phải mô hình nào cũng phù hợp với mọi loại hình nghiên cứu. Có những lĩnh vực đòi hỏi sự tập trung lý thuyết sâu sắc, nơi một nhà khoa học xuất sắc cần thời gian và sự tôn trọng để theo đuổi những ý tưởng điên rồ. Flat organization có thể giết chết những 'moonshot' đó. Sự thật là Silicon Valley có lý do để tạo ra cấu trúc 'researcher-kỹ sư': nó thu hút những bộ óc lý thuyết hàng đầu thế giới, những người có thể mang đến đột phá đúng nghĩa. Vấn đề không nằm ở sự phân cấp, mà nằm ở sự mất cân bằng. Khi researcher được tôn thờ, còn engineer bị xem như 'công nhân', thì không còn ai muốn làm 'công nhân' nữa. Và khi không có 'công nhân', nhà máy sẽ dừng lại.
Một góc nhìn contrarian khác: liệu văn hóa 'phẳng' có phải là một 'bẫy tăng trưởng'? Các startup nhỏ có thể vận hành hiệu quả với một nhóm kỹ sư đa năng. Nhưng khi đội ngũ lên đến vài nghìn người, không có cấp bậc rõ ràng dẫn đến hỗn loạn. Mỗi người đều có thể nói 'tôi làm được mọi thứ', nhưng không ai chịu trách nhiệm cho hệ thống lớn. Tôi đã thấy điều này trong một số dự án DeFi: không có người đứng đầu bộ phận bảo mật, ai cũng có thể review code, và kết quả là một lỗ hổng nghiêm trọng bị bỏ qua. Vậy nên, giải pháp không phải là 'xóa bỏ thứ bậc', mà là 'xóa bỏ sự coi thường'. Tăng lương, tăng quyền lực, tăng sự tôn trọng cho những người xây dựng hạ tầng. Và trên hết, tạo ra một văn hóa nơi cả researcher và engineer đều có tiếng nói như nhau.
Takeaway: Chiến lược 'long volatility' trên thị trường nhân sự AI
Khi các thông báo tuyển dụng từ Silicon Valley vẫn tiếp tục tìm kiếm 'Research Scientist' với mức lương khủng, tôi nhìn thấy một tín hiệu sai. Dòng tiền tổ chức đang chảy vào các công ty có văn hóa 'engineer-first'. Hãy theo dõi những startup không nói về 'số lượng paper', mà nói về 'tốc độ thí nghiệm', 'chi phí huấn luyện', 'thời gian từ idea đến release'. Đó là những chỉ số thực sự của hiệu quả. Chiến lược của tôi: short các công ty AI lớn có văn hóa nghiên cứu nặng nhưng thiếu tối ưu hóa hạ tầng; long các startup 'flat' có khả năng đem lại hiệu quả vượt trội. Và nhớ rằng, trong thị trường nhân sự này, 'nông dân' đang dần chiếm lĩnh các đồn điền. Hãy học cách im lặng, quan sát dòng chảy, và đặt cược vào những người biết cách làm cho máy móc lao động hiệu quả nhất.