Alibaba Qwen3.8-Max: Đằng sau con số 2,4 tỷ tham số là một bài học về sự kiểm chứng

Crypto Briefing vừa đăng tin nóng: Alibaba ra mắt Qwen3.8-Max, mô hình ngôn ngữ lớn với 2,4 nghìn tỷ tham số, được kỳ vọng sẽ thay đổi cục diện AI trước năm 2026. Tôi đọc đi đọc lại tiêu đề, rồi mở trang chủ Qwen, tìm kiếm trên GitHub, trên blog chính thức của Alibaba Cloud. Không có gì. Không một dòng xác nhận, không một bài viết kỹ thuật, không một bản công bố. Chỉ có một bài báo từ một trang tin crypto và hàng trăm bài phỏng theo. Sự tương đồng với lỗi CryptoPunks hiện lên rõ ràng: một dòng code thiếu, cả bộ sưu tập sụp đổ. Ở đây, một cái tên thiếu xác thực, cả một thị trường có thể bị nhấn chìm bởi ảo tưởng. Bối cảnh đưa đẩy khiến câu chuyện này có trọng lượng. Năm 2025, cuộc đua AI giữa Mỹ và Trung Quốc không chỉ là cuộc đua công nghệ, mà còn là nguồn cơn cho những cơn sóng đầu cơ trong thị trường tiền mã hóa. OpenAI, Google, Anthropic liên tục nâng cấp mô hình; phía Trung Quốc, DeepSeek, Alibaba Qwen và Kimi nổi lên như những đối trọng. Các sàn giao dịch token AI như Fetch.ai, Render, Bittensor phản ứng tức thì trước mỗi dòng tít. Trong môi trường đó, Crypto Briefing tung ra thông tin “Qwen3.8-Max – 2,4T tham số – thay đổi cán cân quyền lực”. Chỉ cần ba cụm từ này, nhiều nhà đầu tư đã bắt đầu mua trước, hỏi sau. Nhưng tôi không thể mua theo. Tôi cần phải hiểu rõ thứ tôi đang định giá. Bởi vì 10 năm quan sát và thực chiến trong lĩnh vực hợp đồng thông minh đã dạy tôi một nguyên tắc: không bao giờ tin vào tổng giá trị khóa (TVL) chỉ vì nó lớn, mà phải đọc mã nguồn, kiểm tra từng hàm, từng dòng logic. Với mô hình AI, nguyên tắc đó càng đúng. “2,4 nghìn tỷ tham số” nghe có vẻ ấn tượng, nhưng nó không cho tôi biết mô hình này mạnh đến đâu, nhanh đến đâu, hay rẻ đến đâu. Nó chỉ cho tôi biết Alibaba đã bỏ ra một nguồn lực khổng lồ, hoặc đang muốn chúng ta nghĩ như vậy. Hãy nói về kỹ thuật. Các mô hình ngôn ngữ lớn hiện đại ngày càng dựa trên kiến trúc MoE – Mixture of Experts. Khác với mô hình dense truyền thống, MoE chia mô hình thành nhiều “chuyên gia” nhỏ, mỗi lần suy luận chỉ kích hoạt một phần nhỏ trong số đó. Ví dụ, Mixtral 8x7B có tổng cộng 47 tỷ tham số, nhưng mỗi token chỉ kích hoạt khoảng 13 tỷ tham số. DeepSeek-V3 được đồn đại có tới 671 tỷ tham số, nhưng active parameters chỉ là 37 tỷ. Vậy câu hỏi quan trọng không phải là “Qwen3.8-Max có 2.4T tham số không?”, mà là “số tham số kích hoạt mỗi lần xử lý là bao nhiêu?”. Nếu con số 2,4T là tổng tham số dạng MoE, có thể mỗi lượt suy luận chỉ “đánh thức” khoảng 20-30 tỷ tham số, tức là tương đương với các mô hình nhỏ hơn nhiều. Nhưng bài báo của Crypto Briefing không hề đề cập đến điều này, vì rất có thể người viết còn không biết “activated parameters” là gì. Tôi từng gặp phải tình trạng tương tự khi mới bắt đầu làm việc với Uniswap v2. Năm 2020, tôi mới 20 tuổi, fork repo về chạy thử, phát hiện một lỗi trong logic phí khi swap với số lượng nhỏ. Tôi gửi pull request, nhưng một dev nam trong nhóm đã đóng PR với bình luận: “Cô gái này chỉ copy code, không hiểu gì”. Tôi không tranh cãi. Tôi viết một bài phân tích kỹ thuật với đường dẫn từng dòng code, trích dẫn số dòng cụ thể. Lần đó, cộng đồng đã đọc và ghi nhận. Kinh nghiệm này dạy tôi rằng: để thuyết phục người khác, bạn cần dữ liệu, không cần cảm xúc. Còn với một tin tức như “Qwen3.8-Max”, dữ liệu duy nhất tồn tại là con số tham số. Chúng ta có quyền yêu cầu thêm dữ liệu trước khi hào hứng. Hạ tầng cũng là một điểm mù lớn. Để huấn luyện một mô hình với 2,4 nghìn tỷ tham số, bạn cần một cụm GPU khổng lồ, bộ nhớ trên hàng nghìn máy chủ, tốc độ liên kết cực nhanh. Alibaba sở hữu một trong những hạ tầng đám mây lớn nhất Trung Quốc, nhưng họ vẫn bị ràng buộc bởi lệnh cấm xuất khẩu chip của Mỹ. Nếu họ dùng GPU Nvidia H100 hoặc H200 dự trữ, họ có thể tự tin mở một trung tâm huấn luyện lớn. Nếu họ dùng chip nội địa như Hanguang 800, họ có thể đối mặt với vấn đề hiệu suất và phần mềm. Vậy, để có một mô hình 2,4T tham số thật sự, Alibaba cần phải giải quyết bài toán này một cách ngoạn mục. Nếu bài báo nói thật, đây là một kỳ tích kỹ thuật. Nhưng cũng có thể đây là một câu chuyện “kỹ thuật” được viết bởi một người chưa từng huấn luyện model lớn. Hãy thử ước tính chi phí. Theo một số nghiên cứu, huấn luyện một mô hình cỡ 100 tỷ tham số cần khoảng 3.000 GPU H100 trong vài tháng. Với 2,4T tham số, con số GPU có thể lên tới 20.000 hoặc 30.000, tùy vào độ tối ưu. Chi phí chỉ riêng phần điện và phần cứng đã có thể vượt 200 triệu USD. Đó là lý do tại sao các tập đoàn lớn hiếm khi công bố toàn bộ thông số kỹ thuật. Họ lo sợ rằng con số chi phí sẽ cho nhà đầu tư biết điểm hòa vốn quá chậm, hoặc lợi nhuận quá mỏng. Trong khi đó, các mô hình mã nguồn mở như Llama hay DeepSeek lại công khai nhiều hơn. Khi thiếu minh bạch, thị trường thường đưa ra những cú bứt phá hưng phấn. Nhưng như tôi đã thấy trong DeFi, những giao thức có TVL cao nhất chưa chắc bền vững nhất. Nếu bạn tò mò, hãy nhìn vào dòng tiền thực tế của giao thức đó: doanh thu từ phí giao dịch, lợi nhuận sau chi phí. Với Qwen, hãy nhìn vào doanh thu API thực tế, thay vì số tham số. Về danh tính mô hình, tôi cần làm rõ một nghi ngờ: “Qwen3.8-Max” có thể là một sai sót trong khâu biên tập. Trên trang chủ của Alibaba Cloud, hiện tại mô hình cao cấp nhất là Qwen2.5-Max, ra mắt tháng 1/2025, được mô tả là một mô hình MoE quy mô lớn. Một số blog kỹ thuật thậm chí đã đề cập rằng Qwen2.5-Max có thể sở hữu 2,4 nghìn tỷ tham số tổng cộng, dù con số này chưa bao giờ được xác nhận công khai. Vậy, rất có thể Crypto Briefing đã viết sai tên, hoặc cố tình dùng một cái tên “mới” để câu view. Trong bối cảnh blockchain, chiêu trò “phát hành lại” - re-wrap tin cũ bằng một cái tên mới – không hiếm. Các dự án crypto thường đổi tên, thay đổi logo, kể lại câu chuyện để thu hút dòng vốn mới. Người trong nghề gọi vui là “rebranding để cứu token”. Nhưng khi áp dụng cho một thực thể như Alibaba, việc này lại cực kỳ nguy hiểm, vì nó tạo ra sự lệch lạc giữa nhận thức thị trường và hiện thực kỹ thuật. Điều tôi cho là nghịch lý nằm ở chỗ, các cộng đồng crypto vốn đề cao tính phi tập trung, “don’t trust, verify”, nhưng khi bước sang lĩnh vực AI, họ lại sẵn sàng tin vào một bài báo chưa được kiểm chứng. Có lẽ vì sự phức tạp của AI khiến họ cảm thấy bất an, và một con số to lớn như 2,4T giúp họ cảm thấy “có gì đó chắc chắn”. Nhưng chính cảm giác chắc chắn đó là nơi trú ẩn của rủi ro. Năm 2021, tôi phát hiện lỗ hổng trong CryptoPunks. Không ai kiểm tra địa chỉ zero trong hàm transfer. Một dòng code thiếu, và cả bộ sưu tập gần như sụp đổ trong mắt những người hiểu biết. Tôi đã báo cáo lên GitHub Issues, đội ngũ Larva Labs sửa ngay, nhưng câu chuyện đó vẫn ám ảnh tôi. Nó cho thấy, ngay cả một dự án được tôn sùng như CryptoPunks cũng có thể có lỗi. Vậy một thông tin mơ hồ từ một trang tin crypto về một mô hình chưa được xác nhận, đáng để chúng ta đặt cược vốn của mình đến mức nào? Có một chi tiết thú vị: bài báo của Crypto Briefing không hề đưa ra một benchmark nào. Không MMLU, không HumanEval, không AIME. Chỉ có con số tham số và lời bình luận “có thể thay đổi cán cân quyền lực”. Nếu một nhà phát triển phần mềm blockchain tung ra một nền tảng với lời hứa “xử lý 1 triệu giao dịch mỗi giây” nhưng không công bố kết quả kiểm thử, cả cộng đồng sẽ lập tức nghi ngờ. Nhưng với AI, chúng ta lại dễ dàng bị mê hoặc bởi một con số “2,4T”. Tôi cho rằng điều này cần phải đảo ngược. Chúng ta nên đối xử với các tuyên bố AI giống như cách chúng ta đối xử với các tuyên bố blockchain: yêu cầu mã nguồn mở, yêu cầu dữ liệu kiểm chứng độc lập, yêu cầu một bảng so sánh với các mô hình hiện có. Tôi nhớ đến lần làm việc tại Riyadh, khi tôi phải thuyết phục một quỹ đầu tư rằng cấu trúc Merkle tree có thể giảm 30% chi phí gas cho hồ sơ quyền sở hữu tài sản. Lúc đầu, các đồng nghiệp nam không tin tưởng một phụ nữ trẻ tuổi. Họ đề nghị tôi trình bày trước hội đồng đầu tư. Tôi đã chuẩn bị một bản phân tích với các công thức toán học, mô phỏng gas, và so sánh từng bước. Kết quả là họ không chỉ đồng ý triển khai, mà còn gửi hợp đồng cho một trong những công ty kiểm toán bảo mật hàng đầu là Trail of Bits. Rút kinh nghiệm từ đó, tôi tin rằng: một quyết định đầu tư vào một mô hình AI cũng cần một bản “audit report” tương tự. Nếu không có, đó không phải là một quyết định, mà là một hành vi may rủi. Vậy, chúng ta nên hỏi những câu gì sau khi đọc tin tức về Qwen3.8-Max? Thứ nhất, mô hình này có phải là MoE không? Nếu có, tổng tham số và active parameters là bao nhiêu? Con số sau mới là con số quyết định tốc độ suy luận và chi phí vận hành. Thứ hai, mô hình đạt điểm số nào trên các bài kiểm tra chuẩn hóa quốc tế? MMLU-Pro, HumanEval, GPQA, AIME là những thước đo mà cộng đồng AI tin cậy. Chúng ta cần so sánh với DeepSeek-V3, Claude 3.5 Sonnet, GPT-4o. Thứ ba, mô hình có được cung cấp qua API công khai không? Giá mỗi triệu token đầu vào/đầu ra là bao nhiêu? Điều này ảnh hưởng trực tiếp đến khả năng tiếp cận của cộng đồng. Thứ tư, mô hình có phải là mã nguồn mở không? Nếu có, giấy phép là gì? Nếu không, liệu có kế hoạch mở cửa cho nhà phát triển bên ngoài? Thứ năm, nếu bài báo chỉ là tin đồn, chúng ta đã phản ứng thế nào? Những ai mua token AI ngay lúc này có thể đang bị dẫn dắt bởi một câu chuyện khuyết nguồn gốc. Theo quan điểm của tôi, thị trường crypto và thị trường AI đang ngày càng giao nhau, và điều này tạo ra những cơ hội chưa từng có. Nhưng nó cũng tạo ra những vùng tối, nơi mà các thông tin sai lệch có thể nhanh chóng lan truyền và gây ra những cú sập khó lường. Tôi không phản đối việc Alibaba phát triển mô hình lớn. Ngược lại, tôi ủng hộ một cuộc cạnh tranh minh bạch, nơi mà mỗi mô hình được đánh giá dựa trên chất lượng thực thụ, thay vì độ lớn của truyền thông. Tuy nhiên, với tư cách là một kỹ sư, tôi có trách nhiệm nói rằng: không có bằng chứng, không có sự hào hứng. Và hãy luôn nhớ rằng, lỗi CryptoPunks bắt đầu từ một dòng code thiếu. Còn tin tức này, có thể bắt đầu từ một chữ số thiếu trong tên gọi. Vậy, điều gì sẽ xảy ra nếu Qwen3.8-Max thực sự tồn tại? Nếu Alibaba đã âm thầm phát triển một mô hình quy mô khổng lồ, đạt Top 1 trên LMArena, thì thế giới sẽ phải ngả mũ. Nhưng khi đó, Alibaba cần phải cung cấp đầy đủ tài liệu kỹ thuật, benchmark và bảo mật. Nếu họ không làm vậy, những tin đồn sẽ tiếp tục quay vòng, và dần dần mất đi độ tin cậy. Ngành công nghiệp của chúng ta đã từng chứng kiến quá nhiều “con rồng giấy” – những dự án với con số lớn nhưng không có sản phẩm. Tôi hy vọng Alibaba không gia nhập danh sách đó. Đối với các nhà đầu tư blockchain, lời khuyên của tôi là hãy tập thói quen yêu cầu dữ liệu. Đừng để một bài báo dài vài trăm từ quyết định việc bạn mua token gì. Hãy đọc, hãy hỏi, hãy tìm kiếm những bài phân tích kỹ thuật từ các chuyên gia độc lập. Nếu không có gì để đọc, hãy tạm thời đứng ngoài. Giống như trong thị trường gấu hiện tại, việc quan trọng nhất không phải là kiếm lời, mà là giữ được vốn và sự tỉnh táo. Một giao thức chảy máu LP trong 7 ngày có thể chỉ là khởi đầu cho một vụ sụp đổ. Một thông tin mơ hồ về một mô hình AI chưa xác nhận cũng có thể là khởi đầu cho một vụ vỡ bong bóng. Câu cuối cùng tôi muốn gửi đến bạn đọc: hãy luôn để mắt đến những chi tiết vụn vặt, những cái tên kỳ lạ, những con số không tương xứng. Trong thế giới của smart contract, một dấu chấm than đặt sai vị trí có thể mở ra một lỗ hổng nghiêm trọng. Trong thế giới của tin tức AI, một cái tên như “Qwen3.8-Max” có thể được tạo ra bởi một lỗi đánh máy. Và khi mọi người đã đặt cược vào lỗi đánh máy đó, họ sẽ cố gắng biến nó thành hiện thực. Nếu Qwen3.8-Max không bao giờ được xác nhận, đó sẽ là một bài học đắt giá về việc niềm tin được xây dựng trên nền tảng dễ vỡ. Còn nếu nó được xác nhận, chúng ta hãy nhớ rằng giá trị thực không nằm ở con số tham số, mà nằm ở việc mô hình đó giải quyết được bài toán nào, và với chi phí nào. Hãy tiếp tục hỏi.