Ngày 18/7, ba tin tức AI đáng chú ý bao gồm: Databricks công bố vòng gọi vốn đưa định giá lên 188 tỷ USD, đồng thời hé lộ kết quả nội bộ cho thấy mô hình mã nguồn mở GLM 5.2 rẻ hơn Opus 4.8 tới 34% mỗi tác vụ lập trình ở chất lượng tương đương. Google tiếp tục hoãn Gemini 3.5 Pro vì hiệu suất lập trình chưa đạt chuẩn nội bộ. Và SAP hoàn tất mua lại Prior Labs, đặt cược hơn 1 tỷ euro vào AI dữ liệu bảng, loại dữ liệu mà hầu hết doanh nghiệp vận hành hằng ngày nhưng ít được nhắc đến trong các cuộc thảo luận về AI.
1. Databricks đạt định giá 188 tỷ USD, tiết kiệm 34% chi phí lập trình nhờ mô hình AI Trung Quốc
Ngày 17/07, Databricks công bố kế hoạch huy động khoảng 3 tỷ USD trong vòng gọi vốn chiến lược do Coatue dẫn đầu, qua đó nâng mức định giá của công ty lên 188 tỷ USD. Con số này tăng đáng kể so với mức 134 tỷ USD ở vòng gọi vốn hồi tháng 2/2026.
Tuy nhiên, điều thu hút sự chú ý hơn cả là chia sẻ của CEO Ali Ghodsi về cách Databricks đang triển khai AI trong nội bộ. Thay vì mặc định sử dụng các mô hình thương mại đắt tiền, công ty đã đưa GLM 5.2 – mô hình nguồn mở do Trung Quốc phát triển – trở thành công cụ lập trình chính cho khoảng 3.000 kỹ sư.
Theo Databricks, quyết định này được đưa ra dựa trên dữ liệu thực tế. Công ty xây dựng một bộ đánh giá nội bộ từ các pull request trên kho mã nguồn gồm hàng triệu dòng code để so sánh hiệu quả giữa các mô hình. Kết quả cho thấy GLM 5.2 đạt chất lượng tương đương Claude Opus 4.8, nhưng chi phí trung bình chỉ khoảng 1,28 USD cho mỗi tác vụ, so với 1,94 USD của Opus – tương đương mức tiết kiệm khoảng 34%. Trong bài viết công bố kết quả, nhóm kỹ sư Databricks nhận định rằng “các mô hình nguồn mở, đặc biệt là GLM 5.2, hiện đã có thể xử lý ngay cả những tác vụ lập trình khó nhất.”
Dù vậy, Databricks cũng nhấn mạnh rằng đây không phải chiến thắng của một mô hình duy nhất. Theo công ty, doanh nghiệp đạt hiệu quả cao nhất khi có thể linh hoạt lựa chọn giữa nhiều mô hình khác nhau tùy theo từng bài toán và mức chi phí chấp nhận được. Chiến lược này đang được Databricks hiện thực hóa thông qua Unity AI Gateway, nền tảng giúp quản lý, định tuyến và kiểm soát chi phí AI từ nhiều nhà cung cấp.
Ở góc độ rộng hơn, đây là một trong những ví dụ tiêu biểu cho xu hướng ngày càng nhiều doanh nghiệp lớn đưa các mô hình nguồn mở của Trung Quốc vào môi trường sản xuất. Thay vì chỉ chạy theo mô hình mạnh nhất, các công ty bắt đầu tối ưu bài toán chi phí trên mỗi tác vụ, mở ra một giai đoạn cạnh tranh mới, nơi hiệu quả kinh tế trở thành tiêu chí quan trọng không kém hiệu năng.
Nguồn: TechCrunch
Ghi chú thuật ngữ
- GLM 5.2: Mô hình ngôn ngữ lớn mã nguồn mở do Z.ai (Trung Quốc) phát triển, trọng số được công bố công khai.
- Pull request: Đề xuất thay đổi mã nguồn gửi để các thành viên khác xem xét trong quy trình phát triển phần mềm nhóm.
- Unity AI Gateway: Nền tảng quản trị AI đa nhà cung cấp của Databricks, giúp doanh nghiệp kiểm soát chi phí và hiệu suất AI.
2. Google hoãn Gemini 3.5 Pro vì năng lực lập trình chưa đạt kỳ vọng
Ngày 16/7, Bloomberg đưa tin Google đang lùi thời điểm phát hành Gemini 3.5 Pro, mô hình AI cao cấp nhất của hãng, do cần thêm thời gian cải thiện hiệu năng, đặc biệt ở các tác vụ lập trình.
Tại hội nghị Google I/O hồi giữa tháng 5, Google đã ra mắt Gemini 3.5 Flash và công bố ngay trên sân khấu rằng phiên bản Pro sẽ được phát hành trong tháng 6 với “nhiều cải thiện rõ rệt”. Tuy nhiên, mốc thời gian này đã trôi qua mà không có thêm thông báo nào. Phiên bản Pro gần nhất, Gemini 3.1, được giới thiệu từ tháng 2, đồng nghĩa Google đã nhiều tháng chưa cập nhật dòng mô hình chủ lực của mình.
Theo Bloomberg, điểm nghẽn lớn nhất nằm ở khả năng lập trình. Cuối tháng 6, Google đã cập nhật dữ liệu huấn luyện nhằm cải thiện năng lực viết mã của Gemini, nhưng kết quả nội bộ được cho là “gây thất vọng”. Điều này cho thấy quá trình phát triển đã phải điều chỉnh giữa chừng sau hội nghị I/O, thay vì diễn ra đúng lộ trình ban đầu.
Sự chậm trễ cũng làm dấy lên lo ngại trong nội bộ Google. Bloomberg cho biết nhiều kỹ sư, nhà nghiên cứu và quản lý của công ty cho rằng Google đang dần đánh mất lợi thế khi Anthropic và OpenAI liên tục tung ra các mô hình mới với năng lực lập trình ngày càng vượt trội. Báo cáo cũng cho rằng quy trình phát triển của Google phức tạp hơn đối thủ do phải trải qua nhiều cấp phê duyệt, đồng thời đảm bảo khả năng tích hợp với hệ sinh thái sản phẩm quy mô lớn như Search, Maps và YouTube.
Phản hồi trước thông tin này, Google cho biết hãng vẫn đang thử nghiệm Gemini 3.5 Pro, một phiên bản Gemini 3.5 Flash nâng cấp cùng nhiều mô hình khác với các đối tác. Công ty khẳng định sẽ tiếp tục phát hành các mô hình mới với tốc độ nhanh, đồng thời tối ưu chi phí cho khách hàng.
Như vậy, sự việc phản ánh một thách thức ngày càng rõ trong cuộc đua AI. Khi các mô hình đã tiến gần giới hạn về năng lực, việc cải thiện thêm ở những lĩnh vực khó như lập trình có thể đòi hỏi nhiều thời gian hơn dự kiến. Điều đó khiến các hãng phải đánh đổi giữa tốc độ ra mắt và chất lượng sản phẩm trong bối cảnh cạnh tranh ngày càng gay gắt.
Nguồn: Bloomberg / 9to5Google
3. SAP thâu tóm Prior Labs, đặt cược vào AI cho dữ liệu bảng
Ngày 17/7, SAP chính thức hoàn tất thương vụ mua lại Prior Labs, startup AI có trụ sở tại Freiburg (Đức). Tập đoàn phần mềm của Đức cũng cam kết đầu tư hơn 1 tỷ euro trong 4 năm tới để phát triển Prior Labs thành một trong những trung tâm nghiên cứu AI hàng đầu thế giới về dữ liệu có cấu trúc.
Điểm khác biệt của Prior Labs là công ty không phát triển chatbot hay mô hình ngôn ngữ đa năng. Thay vào đó, startup này tập trung vào Tabular Foundation Model (TFM) – dòng mô hình AI được thiết kế riêng để xử lý dữ liệu bảng, loại dữ liệu xuất hiện phổ biến trong các hệ thống ERP, CRM và bảng tính mà doanh nghiệp sử dụng hằng ngày.
Theo Prior Labs, mô hình TabPFN-2.6 hiện dẫn đầu TabArena, một bộ benchmark dành cho các mô hình TFM. Công ty cho biết TabPFN-2.6 đạt độ chính xác tương đương một quy trình AutoML cần khoảng 4 giờ để hoàn thành, nhưng có thể đưa ra kết quả gần như tức thì chỉ với một mô hình duy nhất. Những ứng dụng điển hình gồm dự báo nguy cơ khách hàng rời bỏ, phát hiện khả năng chậm thanh toán, đánh giá rủi ro nhà cung cấp và xác định cơ hội bán thêm cho khách hàng.
Ý nghĩa của thương vụ không chỉ nằm ở giá trị đầu tư, mà còn ở hướng đi mà SAP lựa chọn. Trong khi phần lớn sự chú ý hiện nay tập trung vào AI xử lý văn bản, phần lớn dữ liệu của doanh nghiệp lại tồn tại dưới dạng bảng. Khoản đầu tư vào Prior Labs cho thấy SAP đang đặt cược rằng AI dành cho dữ liệu có cấu trúc sẽ là một trong những mặt trận cạnh tranh quan trọng tiếp theo của ngành.
Nguồn: SAP News Center
Ghi chú thuật ngữ
- Tabular Foundation Model (TFM): Mô hình AI được huấn luyện đặc biệt cho dữ liệu bảng, khác với các mô hình ngôn ngữ xử lý văn bản thông thường.
- ERP: Phần mềm hoạch định nguồn lực doanh nghiệp, dùng để quản lý tài chính, sản xuất và chuỗi cung ứng.
- CRM: Phần mềm quản lý quan hệ khách hàng.
- TabPFN: Mô hình nền tảng cho dữ liệu bảng của Prior Labs, hiện ở phiên bản 2.6.
- TabArena: Bộ tiêu chuẩn đánh giá hiệu suất so sánh các mô hình AI dữ liệu bảng.
- AutoML: Công nghệ tự động hoá quy trình xây dựng mô hình học máy, thường cần nhiều giờ thử nghiệm và chỉnh tham số.
Bài viết của đội ngũ ZTO Labs, chuyên đào tạo và nghiên cứu AI tại Việt Nam.
