Nvidia(NVDA) tại CES 2026 đã viết lại quy tắc nhà máy AI… công bố “Định luật Moore gấp ba lần”

Trong thị trường bán dẫn AI bán dẫn chiếm ưu thế, NVIDIA(NVDA) một lần nữa trình diễn đổi mới công nghệ tại CES 2026, định nghĩa lại chuẩn mực kinh tế nhà máy AI. Sáng kiến kiến trúc hệ thống do CEO Huang Renxun trực tiếp giới thiệu không chỉ vượt qua mặt bán dẫn đơn thuần, mà còn là một “thiết kế hợp tác tối đa” gồm các thành phần toàn bộ như mạng lưới, bộ nhớ, phần mềm, phối hợp chặt chẽ.

Trong lần ra mắt này, NVIDIA không chỉ nâng cao hiệu suất tính toán mà còn bùng nổ về hiệu quả tạo token, thay đổi cấu trúc chi phí của hạ tầng AI. Ví dụ, phân tích cho thấy hiệu suất tính toán của đơn vị GPU tăng gấp 5 lần so với trước, trong khi qua hệ thống, thông lượng tăng gấp 10 lần, dẫn đến nhu cầu tạo token tối đa có thể tăng 15 lần. Đây được gọi là đổi mới cấu trúc “Ba lần Moore’s Law”, thay đổi căn bản khả năng vận hành và chiến lược mở rộng của nhà máy AI.

Giống như các doanh nghiệp tồn tại trong lịch sử cạnh tranh khốc liệt bằng cách xây dựng hệ sinh thái dựa trên quy mô, trong thời đại AI hiện nay, người chiến thắng tuyệt đối không còn dựa vào quy mô hiệu suất, mà là tính nhất quán của thiết kế hệ thống và lợi ích kinh tế dựa trên đường học tập quy mô. Các công ty như Intel(INTC), AMD(AMD), TSMC(TSMC), Apple(AAPL) đã từng tạo nền tảng sinh tồn dựa trên khả năng mở rộng hệ thống và tốc độ học tập khác nhau, còn NVIDIA đang cố gắng dẫn đầu toàn bộ hệ sinh thái công nghệ AI với tốc độ nhanh hơn, mạnh hơn.

Dựa trên nền tảng Rubin, lần ra mắt này không chỉ liên quan đến GPU và CPU, mà còn thiết kế lại toàn bộ các thành phần mạng cao hiệu suất như Spectrum-X Ethernet(, DPU BlueField), và mạng nội bộ dựa trên InfiniBand NVLink trong một khung duy nhất, tạo thành cấu trúc tích hợp. Hệ thống toàn bộ này không chỉ nâng cao hiệu suất từng phần, mà còn tập trung tối đa hóa thông lượng mục tiêu và nâng cao hiệu quả sử dụng tài nguyên tổng thể. Thực tế, thành quả không chỉ là nâng cao hiệu suất, mà còn là cải tiến căn bản về cấu trúc xử lý của toàn hệ thống.

Trong các nhiệm vụ huấn luyện và suy luận AI, chỉ số cốt lõi đang chuyển sang “chi phí tạo token mỗi lần”. Nhờ hiệu quả hệ thống nâng cao, NVIDIA đã giảm chi phí tạo token xuống mức một phần mười so với trước. Nhờ đó, các ứng dụng AI vốn có hiệu quả kinh tế thấp trước đây cũng có thể triển khai quy mô lớn với chi phí hợp lý. Sự đột phá về kinh tế này chắc chắn sẽ gây ra sự tái cấu trúc ngân sách CNTT và chuyển đổi cấu trúc chi phí dựa trên token trong toàn ngành AI.

Tốc độ cải tiến nhanh chóng của họ rất đáng chú ý. Nếu chu kỳ Moore’s Law trong ngành bán dẫn truyền thống là 18-24 tháng, thì NVIDIA hiện đang thay đổi khung hiệu suất và hiệu quả trong vòng 12 tháng. Đây không chỉ là lãnh đạo công nghệ, mà còn tạo ra một đường học tập mới, rút ngắn khoảng cách với đối thủ cạnh tranh. Ý nghĩa biểu tượng là, trong mô hình nền tảng AI mới, lợi thế hạ tầng sẽ dựa nhiều hơn vào khả năng lãnh đạo kinh tế chứ không chỉ kỹ thuật đơn thuần.

Đối thủ cạnh tranh như Intel dù vẫn giữ vai trò nhất định trong lĩnh vực CPU, nhưng thiếu hợp tác với NVIDIA, khó duy trì vị thế độc quyền cũ. AMD dù có sức cạnh tranh trong thị trường CPU dựa trên kiến trúc x86, nhưng trong môi trường lưu lượng cao chuyển dịch nhanh các nhiệm vụ học và suy luận AI, tốc độ và quy mô của họ đang bộc lộ giới hạn vật lý.

Trong thị trường chip chuyên dụng, các công ty như Groq với lợi thế tối ưu độ trễ, Cerebras khám phá giới hạn thiết kế chip khổng lồ đang chiếm lĩnh thị trường ngách của hệ sinh thái nhà máy AI. Tuy nhiên, các ý kiến trong ngành cho rằng, để thay thế hoàn toàn khả năng tích hợp hệ thống của NVIDIA và chiến lược mở rộng dựa trên đường học tập, các công ty này còn nhiều hạn chế rõ ràng.

Các công ty như Google(GOOGL) với chiến lược nền tảng AI của họ, qua TPU, và Amazon(AWS) với Trainium, cũng có trình độ công nghệ cao, nhưng về khả năng mở rộng quy mô hệ thống, đặc biệt là xử lý các nút mạng trong môi trường nhà máy quy mô lớn, dường như còn gặp hạn chế cấu trúc so với NVIDIA. Đặc biệt trong các dự án AI lớn như Gemini, tốc độ tiến hóa của mô hình ảnh hưởng trực tiếp đến thành quả, do đó, tốc độ học lặp lại bằng CUDA và phần cứng mới có thể trở thành lợi thế chiến lược.

Trong bối cảnh mở rộng từ các đơn vị sản xuất bán dẫn sang các đơn vị “kệ” và tiến tới vận hành nhà máy quy mô, các khách hàng đang xem xét chiến lược AI của họ, đã đến lúc tập trung vào việc tích lũy giá trị qua thử nghiệm nhanh và học lặp lại, thay vì xây dựng hạ tầng quy mô lớn. Hệ thống nhà máy mới của NVIDIA không chỉ giảm ngưỡng gia nhập thời đại AI mà còn nâng cao hiệu quả thực thi chiến lược đặt thử nghiệm trước tinh lọc dữ liệu.

Bản chất của sự chuyển đổi mô hình ICT lần này không còn là hiệu suất của chip đơn lẻ, mà là cân bằng giữa hệ thống và kinh tế token. Trong bối cảnh tốc độ công nghệ tăng nhanh, chu kỳ ra quyết định rút ngắn, chỉ các doanh nghiệp dẫn đầu mới có thể tận dụng lợi thế đường học tập, từ đó chi phối toàn ngành. Bắt đầu từ CES 2026, trật tự mới của thời đại nhà máy AI lại một lần nữa trở nên rõ ràng.