Công ty DeepSeek (Trung Quốc) vừa công bố phiên bản cập nhật sâu (deep dive update) của mô hình DeepSeek-V3 R1, tập trung vào tối ưu hóa thuật toán học tập tăng cường (Reinforcement Learning) thay vì chỉ đơn thuần tăng kích thước tham số. Với chiến lược 'chấm đúng điểm', DeepSeek đã đạt được hiệu năng suy luận logic và toán học ngang ngửa với các mô hình lớn nhất thế giới, nhưng chi phí điện năng và phần cứng để huấn luyện lại thấp hơn gấp nhiều lần so với đối thủ phương Tây.
Điều này đặt ra một câu hỏi lớn cho ngành công nghiệp AI: Liệu việc chạy theo kích thước (scaling law) có còn là con đường duy nhất để tạo ra mô hình thông minh hơn không? DeepSeek chứng minh rằng bằng cách cải tiến thuật toán tối ưu hóa (optimizer) và kỹ thuật dữ liệu, chúng ta có thể đạt được trí tuệ tổng hợp (AGI-lite) mà không cần phải xây dựng những trung tâm dữ liệu quy mô hàng tỉ USD.
Trong cùng ngày, nhiều nhà phát triển tại GitHub đã bắt đầu fork (nhánh) mã nguồn của DeepSeek-V3 R1 để tích hợp vào các hệ thống thương mại, đặc biệt là trong các lĩnh vực tài chính và logistics nơi chi phí vận hành AI là yếu tố then chốt quyết định lợi nhuận. Đây được xem là cú hích mạnh mẽ cho làn sóng 'Open-Source AI' hiệu quả.