Inkling-Small: Dữ liệu mã nguồn mở 'Made in USA' đang kể câu chuyện gì trong thị trường gấu?

Một con số đang nằm lặng lẽ giữa hàng tá thông báo AI trong tuần: Inkling-Small, mô hình mã nguồn mở do công ty Thinking Machines – do Mira Murati sáng lập – vừa phát hành, chỉ ghi nhận khoảng 4.000 lượt tải trên Hugging Face trong bảy ngày đầu. Trong khi đó, các mô hình mã nguồn mở đến từ Trung Quốc như DeepSeek thường đạt số lượt tải gấp hàng chục lần chỉ sau vài giờ. Nếu ngồi không, có thể kết luận ngay rằng sản phẩm này không đáng chú ý. Nhưng tôi không tin vào kết luận nhanh. Tôi tin vào dữ liệu. Và dữ liệu, khi được đào đúng lớp, lại kể một câu chuyện hoàn toàn khác – không chỉ về AI, mà còn về hướng đi của dòng vốn công nghệ trong bối cảnh thị trường tiền mã hóa đang co lại. Thinking Machines là cái tên mới trong nhóm các phòng thí nghiệm AI do những người từng đứng đầu OpenAI dẫn dắt. Mira Murati, cựu Giám đốc Công nghệ OpenAI, rời công ty để xây dựng một tập đoàn AI tập trung vào khả năng suy luận sâu. Inkling-Small là mô hình đầu tiên họ phát hành: kiến trúc MoE (Mixture of Experts) với 276 tỷ tham số tổng, nhưng chỉ kích hoạt 12 tỷ tham số cho mỗi token. Đi kèm là cửa sổ ngữ cảnh một triệu token, hỗ trợ đa phương thức, và điểm số ấn tượng trên SWE-Bench Verified 80,2%, Terminal Bench 64,7%, AIME 95,1%. Công ty cũng công bố API serverless, dịch vụ tinh chỉnh với mức giá khởi điểm 0,30 USD cho mỗi triệu token đầu vào và 1,20 USD cho mỗi triệu token đầu ra. Tại sao một nhà phân tích tiền mã hóa như tôi lại quan tâm? Bởi vì AI agent đang trở thành hạ tầng của blockchain: từ bot giao dịch tự động, kiểm toán hợp đồng thông minh, đến giám sát rủi ro. Nếu một mô hình có thể đạt 80% độ chính xác trên các tác vụ lập trình thực tế, thì nó không đơn thuần là một sản phẩm AI – nó là một lớp hạ tầng mới cho các giao thức DeFi và cả ngành phát triển phần mềm nói chung. Tôi muốn đặt Inkling-Small lên bàn mổ của một nhà phân tích on-chain, giống như tôi từng làm với các giao thức DeFi trong mùa hè năm 2020. Khi đó, quỹ của tôi đã tránh được một vụ sập đổ của Yam Finance chỉ nhờ nhìn vào dữ liệu thanh khoản rời khỏi pool trong ba ngày liên tiếp. Dữ liệu không bao giờ nói dối; nó chỉ chờ ai đó hỏi đúng câu hỏi. Với Inkling-Small, câu hỏi đầu tiên là: nếu mô hình này mạnh đến vậy, tại sao lượt tải lại ít đến vậy? Câu trả lời nằm ở ba lớp: kỹ thuật, thương mại, và địa chính trị. Lớp kỹ thuật. Kiến trúc MoE với 276 tỷ tham số tổng nhưng chỉ kích hoạt 12 tỷ tham số là một thiết kế đã được DeepSeek-V3 chứng minh là hiệu quả về chi phí. Điểm khác biệt là Inkling-Small gói thêm đa phương thức và ngữ cảnh một triệu token. Nhưng có một chi tiết khiến tôi dừng lại: API serverless chỉ công bố ngữ cảnh 256K token, trong khi giới thiệu mô hình nói về một triệu token. Trong kỹ thuật, sự khác biệt giữa "hỗ trợ về mặt kiến trúc" và "vận hành được với chi phí chấp nhận được" là một vực sâu. KV cache cho một triệu token đòi hỏi bộ nhớ GPU khổng lồ. Nếu Thinking Machines không tối ưu được phần này, con số một triệu token có thể chỉ là một tham số kỹ thuật, không phải một sản phẩm. Điều này cũng giống như trong crypto, khi một dự án công bố TVL khổng lồ nhưng dòng tiền thực tế chỉ là các khoản vay nhanh được bơm qua đêm – nhìn bề ngoài thì đẹp, nhưng thanh khoản thật thì không. Lớp thương mại. Bảng giá của Inkling-Small rất thú vị: đầu vào 0,30 USD/triệu token, đầu ra 1,20 USD/triệu token. Nếu so với DeepSeek V4-Flash mà bài báo nhắc tới – đầu vào 0,14 USD, đầu ra 0,28 USD – thì Inkling-Small đắt hơn khoảng hai lần ở đầu vào và bốn lần ở đầu ra. Còn so với OpenAI Luna theo mô tả trong bài, đầu vào của Inkling-Small đắt hơn 1,5 lần, đầu ra bằng nhau. Vậy mà bài báo khẳng định giá của Inkling-Small chỉ bằng một nửa OpenAI Luna. Tôi không biết phép tính nào tạo ra kết luận đó. Có thể họ tính theo một tỷ lệ sử dụng đầu vào/đầu ra rất cụ thể, hoặc có thể đây chỉ là cách nói cho có cánh. Trong giới phân tích, tôi gọi đây là "lạm phát số liệu" – giống như một giao thức tuyên bố doanh thu hàng triệu USD nhưng phần lớn đến từ token phát hành cho chính đội ngũ. Nếu một bài viết giới thiệu sản phẩm mà ngay cả bảng giá cũng không khớp với lời khẳng định, tôi phải hạ mức tin cậy xuống một bậc. Điều đáng chú ý hơn là chiến lược ba lớp: phát hành trọng số mở trên Hugging Face để tạo độ phủ, cung cấp API serverless để hút khách hàng nhỏ, và dịch vụ tinh chỉnh với giá 1,73 USD/triệu token kèm giảm 50% để khóa các nhà phát triển xây dựng mô hình tùy chỉnh. Mô hình "mở trước, bán sau" này gợi cho tôi nhớ đến các giao thức DeFi thời kỳ đầu: phát token miễn phí qua farming để thu hút thanh khoản, sau đó thu phí từ những người dùng trung thành. Vấn đề là trong DeFi, hàng trăm dự án đã làm điều này và chỉ một phần nhỏ sống sót qua các chu kỳ. Với Inkling-Small, 4.000 lượt tải tuần đầu là một con số cho thấy sự quan tâm của cộng đồng phát triển còn rất mỏng. Đừng nhầm lẫn giữa một sản phẩm tốt và một sản phẩm được phân phối tốt. Hiện tại, Thinking Machines mới chỉ hoàn thành nửa đầu. Lớp địa chính trị. Đây có lẽ là lớp thú vị nhất mà phần lớn các bình luận công nghệ bỏ qua. Bài viết gốc nhấn mạnh Inkling-Small là mô hình mã nguồn mở "sở hữu toàn bộ chuỗi phát triển Mỹ" – một tín hiệu rõ ràng nhắm vào các doanh nghiệp chịu áp lực tuân thủ: ngân hàng, tổ chức chính phủ, công ty hạ tầng nhạy cảm. Trong khi các mô hình Trung Quốc như DeepSeek có chi phí thấp hơn và hiệu năng không kém, nhiều tổ chức phương Tây không thể sử dụng chúng vì lo ngại về chuỗi cung ứng, quyền riêng tư dữ liệu và các quy định kiểm soát xuất khẩu. Khoảng trống đó chính là thị trường mà Thinking Machines đang nhắm tới. Và ở đây, kinh nghiệm làm việc với các quỹ đầu tư tiền mã hóa của tôi cho thấy một điều: trong khủng hoảng, niềm tin đáng giá hơn hiệu suất. Các quỹ lớn sẵn sàng trả phí cao hơn 20-30% cho một nhà giám sát tài sản có trụ sở tại New York thay vì một bên trung gian rẻ hơn ở một khu vực kém minh bạch, đơn giản vì rủi ro pháp lý thấp hơn. Inkling-Small đang thử nghiệm cùng một logic trong thị trường AI. Nhưng tôi không muốn dừng lại ở việc khen ngợi hay phê phán. Tôi muốn dùng một góc nhìn phản trực giác. Nếu nhìn vào 4.000 lượt tải và kết luận rằng sản phẩm thất bại, chúng ta đã mắc sai lầm tương tự khi nhìn vào một token có khối lượng giao dịch tăng vọt và nghĩ rằng nó có thanh khoản thực. Trong crypto, chúng ta đã từng chứng kiến những đợt bơm giả tạo với hàng trăm nghìn giao dịch mỗi ngày, nhưng giá trị thực bằng không. Ngược lại, một nhóm nhỏ khách hàng trả tiền và sử dụng sản phẩm hàng ngày có giá trị hơn nhiều so với một triệu người dùng thử nghiệm rồi bỏ đi. Vậy nên, hãy tìm kiếm các dấu hiệu khác: liệu có quỹ đầu tư mạo hiểm nào công bố hợp tác với Thinking Machines không? Liệu có doanh nghiệp lớn nào xác nhận triển khai Inkling-Small trong môi trường sản xuất không? Nếu không có, thì dù điểm benchmark có cao đến đâu, câu chuyện vẫn là một câu chuyện của tương lai. Một điểm nữa mà tôi cho là quan trọng với các nhà đầu tư tiền mã hóa: mối tương quan giữa AI và blockchain không nên bị đánh đồng với nhân quả. Việc DeepSeek rẻ hơn không có nghĩa là DeepSeek sẽ thống trị. Trong blockchain, ta đã thấy nhiều mạng lưới có phí giao dịch gần bằng 0 nhưng vẫn chết vì không có ứng dụng thực sự. Chi phí chỉ là một biến số. Biến số quan trọng hơn là hệ sinh thái: có bao nhiêu nhà phát triển đang xây dựng trên nền tảng đó, có bao nhiêu người sẵn sàng trả tiền cho các ứng dụng chạy trên nó. Với Inkling-Small, câu hỏi không phải là "nó có rẻ như DeepSeek không?", mà là "nó có đủ tin cậy để các tổ chức tài chính dùng nó làm lớp kiểm toán hợp đồng thông minh không?". Nếu câu trả lời là có, thì mức giá cao hơn một chút không phải là vấn đề. Nếu câu trả lời là không, thì những điểm benchmark ấn tượng chỉ là một trang quảng cáo đẹp. Từ góc nhìn dữ liệu, tôi cũng muốn nhấn mạnh rằng 4.000 lượt tải có thể bị nhiễu. Trong khi phân tích các giao thức DeFi, tôi đã nhiều lần thấy TVL tăng vọt do một vài ví lớn chuyển tiền qua lại, chứ không phải do hàng trăm người dùng mới tham gia. Số lượt tải trên Hugging Face cũng vậy: một con số 4.000 có thể là từ các nhà phát triển thực sự, nhưng cũng có thể là từ các bot hoặc những người tải về vì tò mò rồi không bao giờ mở lại. Để đánh giá đúng, tôi cần các tín hiệu chất lượng hơn: số lượng API key được tạo, số lượng request mỗi ngày, số lượng mô hình tinh chỉnh được đào tạo. Những con số này, nếu được công bố, sẽ nói lên nhiều điều hơn một con số lượt tải. Khi tôi xây dựng bảng điều khiển Dune Analytics hồi năm 2020 để theo dõi TVL của 20 giao thức DeFi hàng đầu, tôi nhận ra rằng thời điểm quan trọng nhất không phải lúc thị trường bùng nổ, mà là lúc thị trường bắt đầu co lại. Các giao thức có chi phí vận hành thấp, có doanh thu thực từ phí, có đội ngũ không đốt tiền quá nhanh – những giao thức đó thường sống sót. Bối cảnh của Thinking Machines hiện tại khá giống một giao thức DeFi trong giai đoạn đầu: sản phẩm có tiềm năng kỹ thuật, có một đội ngũ uy tín, nhưng chưa có doanh thu đáng kể và chưa có cộng đồng lớn. Trong thị trường gấu, điều này có thể là một lợi thế – vì họ không cần gây quỹ với định giá cao để duy trì hoạt động, họ chỉ cần chứng minh được sản phẩm đáng để trả tiền. Nhưng nếu không có được điều đó trong 6-12 tháng tới, áp lực từ các đối thủ như DeepSeek, Kimi và cả Meta sẽ là rất lớn. Một câu hỏi đáng đặt ra là: sự xuất hiện của Inkling-Small có ý nghĩa gì với các dự án token hóa các mô hình AI? Trong hệ sinh thái crypto, đã có nhiều dự án cố gắng tạo ra "ngân hàng tính toán phi tập trung", nơi người dùng có thể trả phí bằng token để chạy các tác vụ AI. Nếu một mô hình mã nguồn mở hiệu quả như Inkling-Small có thể chạy trên các cụm GPU phân tán, thì về mặt kỹ thuật, điều đó thúc đẩy những dự án này. Tuy nhiên, cần nhớ rằng một mô hình AI không giống như một hợp đồng thông minh: bạn không thể kiểm chứng toàn bộ hành vi của nó chỉ bằng cách đọc code. Điều này tạo ra rào cản lớn cho các hệ thống phi tập trung đòi hỏi tính minh bạch và khả năng xác minh. Nếu chúng ta coi mỗi hợp đồng thông minh là một đầu ra của mô hình, thì độ tin cậy của mô hình chính là thanh khoản của hệ thống – và thanh khoản đó cần được xây dựng từ từ, không phải bằng một cú pump. Bài viết gốc cũng đặt câu hỏi về tính an toàn của mô hình này. Với Terminal Bench đạt 64,7%, Inkling-Small cho thấy nó có thể thực hiện các tác vụ phức tạp trên terminal – bao gồm quản trị hệ thống, viết script, thậm chí có khả năng hỗ trợ các hoạt động tấn công mạng. Khi một mô hình như vậy được phát hành dưới dạng mã nguồn mở, mọi rào cản kiểm soát nội dung đều có thể bị vô hiệu hóa. Trong thế giới tiền mã hóa, điều này giống như việc phát hành một hợp đồng thông minh có lỗ hổng nhưng không có cơ chế khóa khẩn cấp: mọi người đều có thể kiểm tra, nhưng kẻ tấn công cũng vậy. Các quỹ đầu tư và dự án DeFi cần phải cực kỳ thận trọng khi sử dụng các mô hình này cho các tác vụ nhạy cảm như quản lý khóa riêng tư hoặc ký giao dịch tự động. Vậy tín hiệu cho tuần tới là gì? Tôi sẽ theo dõi ba nhóm dữ liệu. Thứ nhất, liệu có doanh nghiệp nào – đặc biệt trong lĩnh vực tài chính hoặc hạ tầng Web3 – công bố thử nghiệm Inkling-Small hay không. Thứ hai, liệu Thinking Machines có công bố thêm thông tin về nguồn lực tính toán, vòng gọi vốn, hoặc các đối tác chiến lược hay không. Thứ ba, liệu cộng đồng mã nguồn mở có bắt đầu xây dựng các công cụ phụ trợ cho mô hình này không – như các bộ dữ liệu tinh chỉnh, các lớp tương thích với các khung phát triển phổ biến. Nếu sau hai tuần tới, vẫn không có gì thay đổi ngoài các bài đánh giá benchmark, thì tôi sẽ coi sự xuất hiện này chỉ là một cơn sóng nhỏ trên bề mặt đại dương. Còn nếu có tín hiệu từ phía doanh nghiệp, thì có lẽ chúng ta đang chứng kiến một bước ngoặt quan trọng cho cả ngành AI và tiền mã hóa. Cuối cùng, tôi muốn nói rằng thị trường gấu là thời điểm tốt nhất để nhìn rõ bản chất của một dự án. Khi mọi thứ đều tăng, ai cũng có thể trông giống thiên tài. Khi mọi thứ giảm, chỉ có những sản phẩm giải quyết được vấn đề thực sự của khách hàng mới trụ lại. Inkling-Small vừa xuất hiện với một bộ thông số kỹ thuật đẹp và một chiến lược thị trường rõ ràng. Nhưng giống như một hợp đồng thông minh, tôi không đánh giá nó bằng lời quảng cáo, mà bằng những bằng chứng on-chain. Dữ liệu sẽ tự kể câu chuyện. Tuần tới, tôi sẽ quay lại với những con số tiếp theo.