AMD ra chip nhanh hơn 20% — nhưng OpenAI, Google, Anthropic không chuyển. Lý do không nằm ở chip. Lý do nằm ở thứ NVIDIA đã xây trong 20 năm mà không ai nhìn thấy. Trong video này: ⚔️ CUDA là gì và tại sao nó là ngôn ngữ — không phải công cụ — của cả ngành AI 🔍 8 lớp switching cost khiến bất kỳ lab nào cũng không thể rời NVIDIA dù chip AMD tốt hơn 🎯 Tại sao Jensen Huang đốt tiền 10 năm không có return — và thị trường tự do đã thưởng thế nào
Nvidia duy trì vị thế thống trị thị trường chip AI không chỉ nhờ phần cứng mà chủ yếu nhờ hệ sinh thái CUDA. Bằng chiến lược tầm nhìn dài hạn, Nvidia đã tạo ra một \"con hào kinh tế\" bền vững, khiến chi phí chuyển đổi sang đối thủ trở nên quá đắt đỏ, từ đó biến phần mềm thành lợi thế cạnh tranh tuyệt đối không thể phá hủy.
AMD vừa ra một con GPU tốt hơn Nvidia 20%,
nhanh hơn, rẻ hơn, trên giấy tờ,
không có lý do gì để không chuyển.
Nhưng không ai chuyển,
OpenAI không chuyển,
Google DeepMind không chuyển,
Antropic không chuyển.
Các Labs AI lớn nhất thế giới
vẫn tiếp tục xếp hàng đặt hàng Nvidia,
dù biết rõ chip AMD nhanh hơn trên Benchmark,
tức bài kiểm tra hiệu năng chuẩn hóa để so sánh chip.
Nhưng đây là điều ít ai biết,
Nvidia không thắng vì chip của họ tốt hơn.
Nvidia thắng vì 20 năm trước,
Hoàng Nhân Huân đã xây một thứ
mà không đối thủ nào có thể phá hủy
chỉ bằng cách làm ra con chip tốt hơn.
Đây chính là bài học kinh doanh
quan trọng nhất của thế kỷ 21
cho bất kỳ ai đang đầu tư
hay làm việc trong ngành công nghệ,
tạo ra một thành trì mà không ai có thể phá được.
Để tạo nên đế nghiệp cho Nvidia,
họ đã học đọc môn tuyệt kỹ trong 20 năm.
Rốt cuộc đây là sự việc gì?
Phong Linh xin kính chào quý khán giả.
Chúc quý khán giả một ngày mới vui vẻ
và nhiều thành công.
Nhưng trước khi vào phần bình luận,
kính mời quý khán giả hãy like,
subscribe kênh ổn cổ Tri Tân
để cập nhật những phần tích độc đáo nhất.
Tại sao câu chuyện này quan trọng ngay lúc này?
Tháng 6 năm 2026,
Nvidia là công ty vốn hóa lớn nhất thế giới.
5,4 nghìn tỷ đô la Mỹ,
hơn cả Apple, hơn cả Microsoft,
hơn cả toàn bộ GDP của nước Đức.
Mỗi quý họ báo cáo doanh thu
Data Center lập kỷ lục.
Quý gần nhất, 51,2 tỷ đô la Mỹ.
Chỉ riêng mảng Data Center,
chỉ trong 3 tháng.
Gross margin, tức tỷ lệ nhuận gọp,
đứng ở mức 78%.
Nói đơn giản là,
cứ 10 đồng bán ra,
họ bỏ túi gần 8 đồng lại.
Không phải ngành nào cũng có tỷ lệ này.
Bán iPhone,
Apple giữ khoảng 4-5 đồng,
Nvidia giữ gần 8.
Mọi người nhìn vào Nvidia và nói,
họ may mắn,
đúng thời điểm AI bùng nổ.
Đó là cách nhìn sai.
Câu hỏi đúng không phải là
tại sao Nvidia thành công,
mà là tại sao không ai khác có thể thay thế họ.
Bởi vì đây mới là điều kỳ lạ thực sự.
Intel có tiền,
AMD có kỹ sư,
Google có cả 2,
Apple có chip N-Series
được đánh giá tốt nhất lịch sử
và hiệu năng trên từng quát tiêu thụ.
Qualcomm đang mở rộng sang
Data Center,
hơn 10 startup đang đốt hàng tỷ đô
để làm chip AI.
Vậy tại sao Nvidia vẫn chiếm
80-87% thị trường AI
Accelerator,
tức thị trường chip tăng tốc
cho trí tuệ nhân tạo.
Để hiểu điều đó, chúng ta phải quay ngược
về năm 2003
và gặp một nghiên cứu sinh đang làm
một việc có vẻ vô nghĩa tại Stanford.
Tên anh ấy là Ironberg.
Berg đang vật lộn với
một bài toán kỳ lạ,
làm thế nào để dùng GPU,
con chip chuyên dụng để render
đồ họa 3D trong game,
để tính toán khoa học tổng quát.
Vào thời điểm đó,
GPU là thứ hiển thị hình ảnh
trên màn hình không hơn không kém.
Muốn tận dụng sức mạnh song song
của nó cho toán học,
bạn phải làm một việc cực kỳ buồn cười.
Giả vờ dữ liệu của mình là pixel.
Phương trình toán học,
hãy giả vờ nó là texture map,
bản đồ màu sắc cho game,
rồi mới cho GPU xử lý.
Nghe vô lý, nhưng nếu làm được,
speed up,
tức mức độ tăng tốc,
là 10 lần đến 100 lần so với CPU thông thường.
Berg-Seibrock,
ngôn ngữ lập trình đầu tiên
cho phép tính toán tổng quát trên GPU,
mà không cần mang trình diễn giả vào đó.
Năm 2004,
Hoàng Nhân Huân,
CEO Nvidia, nghe về Berg
và đưa ra một quyết định
mà ít người hiểu được lúc đó.
Ông tuyển Berg về
và giao nhiệm vụ biến Berg thành sản phẩm thương mại.
Đây là quyết định kỳ lạ
theo mọi nghĩa.
Nvidia năm 2004 là một công ty
làm khạc đồ họa cho game thủ.
Thị trường tính toán khoa học trên GPU
khi đó gần như không tồn tại.
Không có doanh thu,
không có khách hàng rõ ràng,
không có bằng chứng về khái niệm thương mại nào.
Nhưng Hoàng Nhân Huân nhìn thấy điều
mà những người khác không nhìn thấy.
CPU, bộ xử lý trung tâm truyền thống
là một con đường một làng.
Xử lý từng việc một,
rất nhanh, rất thông minh.
GPU là con đường 10.000 làng.
Mỗi làng chậm hơn nhiều
nhưng tất cả chạy cùng lúc.
Với các tác vụ có thể chia nhỏ
và hóa ra có rất nhiều tác vụ như vậy.
Đặc biệt là các phép tính ma trận
nền tảng của AI.
GPU không chỉ nhanh hơn CPU,
GPU nhanh hơn gấp trăm lần.
Hoàng Nhân Huân đặt cực điều này
từ năm 1993,
13 năm trước khi CUDA ra đời.
Tháng 11 năm 2006,
CUDA ra mắt chính thức.
Lần đầu tiên một developer
lập trình viên có thể viết
code C cộng cộng thông thường
và chạy trực tiếp trên hàng nghìn
nhân GPU.
Không cần biết đồ họa 3D,
không cần giả vờ dữ liệu
và pixel, không cần học
ngôn ngữ bí truyền nào.
Ironburg mô tả triết lý
thiết kế của CUDA. Điều
quan trọng nhất là ngôn ngữ C.
Liệu tôi có thể lấy C và thay đổi
nó ít nhất có thể, nhưng cho phép
chương trình chạy trên 10.000
lõi. Đơn giản, quen thuộc,
ai cũng tiếp cận được.
Đây là điểm mối chốt mà hầu hết
mọi người bỏ qua khi nghĩ về CUDA.
Nhiều người nghĩ CUDA là một phần
mềm như Photoshop hay Excel.
Bạn cài vào, dùng xong,
có thể gỡ ra, và cài phần
mềm khác, không thích thì chuyển.
Sai hoàn toàn.
CUDA không phải là phần mềm,
CUDA là ngôn ngữ.
Hãy tưởng tượng thế này, bạn học tiếng Việt
từ khi lọt lòng.
Bạn nghĩ bằng tiếng Việt, ký ức của bạn
được lưu bằng tiếng Việt, bạn viết
code, viết tài liệu, viết sách bằng tiếng Việt.
Toàn bộ vốn kiến thức
tích lưỡi 20 năm của bạn đóng gói
trong tiếng Việt. Giờ có ai
đến và nói, ngôn ngữ mới này
tốt hơn 20%, bạn có muốn chuyển không?
Chi phí không phải là học
ngôn ngữ mới, chi phí là dịch
lại 20 năm ký ức.
CUDA đã trở thành ngôn ngữ mà
cả ngành AI dùng để tư duy,
để xây dựng, để lưu trữ kiến thức
chuyên môn.
Khi một framework kiến trúc sẵn
AI như PyTorch
viết code thối u cho CUDA,
khi một nghiên cứu sinh lập
trình AI bằng CUDA,
khi một lab viết custom kernel,
tức là đoạn code xử lý đặc thù
bằng CUDA, đó không phải là dùng
một công cụ, đó là tư duy
bằng một ngôn ngữ cụ thể.
Và ngôn ngữ không ai dễ dàng bỏ.
Bạn thấy không?
Bảo chuyển sang AMD
nghe có vẻ đơn giản, nhưng
chi phí thực sự của việc chuyển là bao nhiêu?
Hãy đếm từng lớp 1
thì có đến 8 lớp.
Lớp 1. Viết lại toàn bộ
code base.
Lớp 2. Mất toàn bộ kho vũ khí
đi kèm. NVIDIA không
chỉ có CUDA, họ có cả một thư viện
đi kèm. Mà mỗi cái đều
là nền tảng của AI hiện đại.
Lớp 3. Retrain
toàn bộ đội ngũ kỹ sư.
4,5 triệu developer
trên thế giới biết CUDA. Đây là
lực lượng lao động khổng lồ.
Nhưng biết CUDA không có nghĩa là biết
ROCM
Hệ sinh thái phần mềm của AMD
Một công ty
AI muốn chuyển sang AMD
phải chọn hoặc train lại toàn bộ
team hiện tại hoặc thuê mới
trong khi thị trường lao động AMD
ROCM gần như không
tồn tại vì không ai học ROCM
nếu không có job dùng ROCM
Lớp 4. Kiểm định
lại toàn bộ hiệu năng
Performance Revalidation
Lớp 5. Mất cộng đồng
Khi bạn gặp bớt kỳ lạ
lúc 2 giờ sáng trước deadline
bạn hỏi Google
staff overflow có hàng triệu câu hỏi và câu trả lời
về CUDA
từng error message lạ, từng vấn đề memory management
từng pattern tối ưu hóa
ai đó đã gặp
ai đó đã giải quyết
và họ để lại câu trả lời
ROCM chăng? Bớt kỳ lạ trên ROCM
thường không có ai trả lời
bạn phải mở ezoo trên github
và chờ hàng tuần
đây là chi phí vô hình nhưng cực kỳ
thực tế
nghiên cứu sinh tại MIT, Stanford, CMU
học CUDA như một phần
của curriculum AI chuẩn
khi những người này ra trường
và vào industry
họ mang CUDA theo
rồi họ thuê người biết CUDA
rồi những người mới vào ngành học CUDA để có việc
vòng tròn quay liên tục
backward compatibility
tức khả năng tương thích ngược
của CUDA
là một cam kết đặc biệt đáng chú ý
Code CUDA 1.0
viết từ năm 2006
vẫn chạy được trên GPU
Lackwell năm 2025
20 năm không phá vỡ
đây là thứ không công ty nào
dám đưa ra nếu không chắc chắn
tuyệt đối về tương lai của nền tảng
và quan trọng nhất
4,5 triệu developer
hơn 1.000 thư viện trong hệ sinh thái CUDAX
PyTorch mặt đỉnh CUDA
Working Facts tối ưu
CUDA trước mọi platform khác
đây là hệ sinh thái
không phải sản phẩm
Hoàng Nhân Huân gọi đây là CUDA Flywheel
bánh đà CUDA
hàng trăm triệu GPU
hàng triệu developer
hàng nghìn thư viện
tất cả quay cùng nhau và tự tăng tốc
và bạn không phá bánh đà
bằng cách làm một con chip nhanh hơn 20%
bây giờ câu hỏi thật sự
ai đã cố gắng phá vỡ thành trị CUDA
và chuyện gì xảy ra
câu trả lời gắn
tất cả đều thất bại
theo những cách khác nhau
AMD kẻ gần nhất
vẫn còn xa
AMD là đối thủ gần nhất
về phần cứng
Mi300X
chip data center
mới nhất của họ
về benchmark
thuần túy gần ngang H100
của Nvidia
và trong một số suy luận
lối lượng công việc còn nhỉnh hơn
nhưng nhìn vào thị phần thực tế
AMD chiếm khoảng 14%
doanh thu GPU
trung tâm dữ liệu
Nvidia chiếm 80-87%
lý do không phải
vì chip AMD tệ
lý do vì ROG M nền tảng nền
của AMD đang bắt kịp
nhưng vẫn tục hậu
ở những điểm nhỏ có tác động lớn
Thái thoát trên ROG M
yêu cầu driver version đặc biệt
và cấu hình thủ công
Một kỹ sư AI
mô tả trải nghiệm thực tế
với CUDA
AMD đang dần chiếm thị phần
đặc biệt trong thị trường suy luận
nơi workflow đơn giản hơn
nhưng trong training
nơi thị phần của Nvidia cao nhất
thanh trì CUDA vẫn nguyên vẹn
Google có TPU
Tensor Processing Unit
hay đơn vị xử lý tensor
chip được thiết kế riêng cho AI
trong một số benchmark
huấn luyện model lớn
TPU vượt trội về cost efficiency
tức là chi phí bỏ ra
trên mỗi đơn vị hiệu năng đạt được
Nhưng TPU chỉ có trên Google Cloud
Lab AI của bạn
chạy trên AWS
hoặc Azure
không có TPU
Quan trọng hơn TPU dùng JJH
và Tensorflow
Nhưng ngành AI chọn PyTorch
85% bài báo nghiên cứu
tại Nord IPS
ICML
CVPR 2024 dùng PyTorch
chuyển sang TPU
nghĩa là chuyển cả framework
cả workflow
cả tư duy
một cú nhảy quá lớn
để một lab nhỏ hay startup dám thử
Điều đáng chú ý nhất trong phần này
Deepseak
Lab AI Trung Quốc
với nguồn lực tài chính lớn
đội ngũ kỹ thuật xuất sắc
và động lực mạnh nhất thế giới
để thoát khỏi Nvidia
do lệnh cấm xuất khẩu chip của Mỹ
vẫn đánh giá việc
rời bỏ Nvidia
là practically inflexible
nói đơn giản là
về mặt thực tiễn không khả thi
Nếu Deepseak với tất cả
động lực chính trị và tài chính đó
còn không làm được thì ai làm được
mọi người nhìn vào thành công
của Nvidia và nói
họ may mắn
AI bùng nổ đúng lúc họ có GPU
đó là cách nhìn của người đứng ở đích
và đoán ngược về điểm xuất phát
Sự hợp khác hẳn
năm 2006 khi Kudara mắc
Hoàng Nhân Huân đưa ra một quyết định
mà ít người chú ý nhưng về sau
hóa ra là quyết định quan trọng nhất
trong lịch sử Nvidia
Yêu cầu Kudara hỗ trợ phần cứng
có mặt trong mọi GPU Nvidia
ship ra thị trường từ
Card Workstation 3000$
cho nhà nghiên cứu
đến Card Gaming 50$ cho sinh viên
Điều này tốn hàng tỷ
USD R&D
Không có đảm bảo sẽ thu hồi vốn
Thị trường tính toán GPU năm 2006
nhỏ đến mức gần như
không đo được trong báo cáo tài chính
Nhưng quyết định đó tạo ra điều gì?
Nó đảm bảo rằng
mọi sinh viên mua Card Gaming rẻ để
đọc AI đều có Kudara
Mọi nhà nghiên cứu Build Labs
nhỏ đều có Kudara
Mọi Startup không đủ tiền
thuê Cloud đều có Kudara
Từ ngày đầu tiên Kudara đã có mặt
khắp mọi nơi. Hệ sinh thái không
được xây bằng cách nhắm vào đế chế
trước. Hệ sinh thái được xây
bằng cách đảm bảo mọi người
từ sinh viên chạy laptop Gaming
đến Lab nghiên cứu quốc gia
đều có thể tiếp cận cùng một nền tảng
Hoàng Nhân Huân đã chọn
đúng điểm và ông đã chọn
từ năm 2006. Nhưng
quyết định đó không phải không có giá
Ironsburg, cha
đẻ của Kudara, sau này
nhìn lại, nó tốn hàng tỷ USD
của công ty. Chúng tôi không kiếm
được tiền suốt 10 năm và
chúng tôi không bao giờ từ bỏ
từ năm 2006
đến 2012. Từ khi
Kudara ra mắt đến khi AlexNet
thắng E-Mainet và
AI bắt đầu được chú ý nghiêm túc
Nvidia đầu tư không ngừng
vào Kudara mà không có dấu hiệu rõ ràng
về thương mại hóa lớn. Họ
làm điều này trong khi cạnh tranh khốc liệt
với AMD trong Gaming
trong khi vượt qua
khủng hoảng tài chính năm 2008-2009
trong khi stock
giảm 85% từ đỉnh
10 năm không có gì đảm bảo
Hoàng Nhân Huân sau này
nói thẳng, nếu chúng tôi không dành
20 năm cho Kudara trong khi
thua lỗ hầu hết thời gian, nếu
chúng tôi không làm điều đó, không ai
khác sẽ làm. Hệ quả
quan trọng, đây là bài học về sự
khác biệt giữa lợi thế từ phần cứng
và lợi thế phần mềm
HardwareMath, lợi thế
phần cứng có thể bị phá bằng phần
cứng tốt hơn. Samsung
từng không ai nghĩ có thể đánh Intel trong
Memory Chip, rồi họ đánh và thắng
ARM từng
không ai nghĩ có thể cạnh tranh với
x86, rồi Apple Silicon
ra đời và đặt câu hỏi
nghiêm túc về tương lai của x86
trên laptop
SoftwareMath, lợi thế phần mềm
đặc biệt là lợi thế phần mềm được
xây trên lịch sử sâu dài như vậy
gần như không thể bị phá hủy
bằng phần cứng tốt hơn
vì người dùng không mua phần cứng
họ mua hệ sinh thái, Nvidia
bán hệ sinh thái, và giá
của hệ sinh thái không đo bằng Benmark
Quay lại câu hỏi ban đầu
AMD ra GPU nhanh hơn
20%, tại sao không
ai chuyển? Bởi vì 20%
lợi thế về hiệu suất
không cover được chi phí chuyển đổi
20 năm hệ sinh thái
không bị phá bằng 20% lợi thế
về hiệu suất. Đây là câu
chuyện của một người nhìn xa, Hoàng Nhân
Huân đặt cược vào tính toán song song
từ năm 1993, khi
AI còn là khái niệm trong
sách giáo khoa đại học. Ông
Saikuda từ năm 2006, khi
không ai biết AI sẽ trở thành
cuộc đua lớn nhất của thế kỷ. Ông
đốt tiền trong 10 năm,
khi không có gì đảm bảo khoản đầu tư
đó có hồi vốn,
stock giảm 85%,
khi cạnh tranh AMD khốc liệt
nhất và thị trường tự do
đúng như cơ chế của nó
đã thượng xứng đáng cho tầm nhìn
dài hàng đó. 5,4
nghìn tỷ đô la Mỹ vốn hóa,
80% thị phần bộ tăng tốc
AI, lợi nhuận gọp
78%. Không phải
vì GPO tốt nhất, vì
đã xây thứ mà không ai muốn
và không thể phá bỏ.
Bài học này không chỉ dành cho người làm
test, nó dành cho bất kỳ ai
đang xây dựng một thứ gì đó có
giá trị lâu dài, doanh nghiệp,
sản phẩm hay thậm chí sự nghiệp cá nhân.
Wishing card
không phải thứ bạn tạo ra bằng cách
block người dùng lại.
Wishing card là thứ xuất hiện tự nhiên
khi bạn xây được hệ sinh thái đủ sâu
để người dùng không muốn rời đi.
Bạn đang xem Ôn Cố Tri Tân?
Nếu video này cho bạn
góp nhìn mới về cách thị trường tự do
thưởng cho tầm nhìn dài hạn,
hãy chia sẻ cho một người bạn
đang làm việc trong ngành AI
hoặc đầu tư công nghệ. Tôi nghĩ
họ sẽ nhìn Nvidia khác sau khi xem
xong. Câu hỏi tôi để lại cho
bạn. Những gì với CUDA
đã làm cho Nvidia?
Bạn thấy công ty nào đang xây dựng
loại thành trì tương tự ngay lúc này
nhưng chưa ai nhìn ra?
Hãy để lại ý kiến bên dưới.
Hẹn gặp lại trong video tiếp theo.
Quý khán giả có nhìn nhận như thế nào?
Hãy để lại bình luận bên dưới.
Nếu quý khán giả thấy video này
hữu ích, thì hãy ủng hộ chúng tôi
bằng một subscribe, một like
và một comment để chúng tôi xây dựng
chương trình hoàn thiện hơn.
Nếu có nhả ý,
thì quý khán giả có thể mời chúng tôi
một ly cà phê bằng liên kết
bên dưới. Chúng tôi xin chân thành
cảm ơn. Hẹn quý khán giả
trong những bài bình luận tiếp theo.