Nỗi lo âu của các nhà đầu tư AI vào năm 2026: Khi các mô hình “nuốt chửng” mọi thứ, đâu là hào phòng thủ còn lại của các công ty khởi nghiệp?
Tuyển chọn TechFlowTuyển chọn TechFlow
Nỗi lo âu của các nhà đầu tư AI vào năm 2026: Khi các mô hình “nuốt chửng” mọi thứ, đâu là hào phòng thủ còn lại của các công ty khởi nghiệp?
Nỗi hoảng loạn về AI phiên bản nhà đầu tư năm 2026: Chỉ cần gửi toàn bộ tiền cho Anthropic và NVIDIA rồi về nhà ngủ thôi.
Chuyên sâu báo cáo Web3Tác giả: Sarah Guo
Biên dịch: TechFlow
Giới thiệu của TechFlow: Khi các mô hình ngôn ngữ lớn (LLM) bắt đầu áp đảo con người trên mọi bảng xếp hạng, các nhà đầu tư rơi vào trạng thái tuyệt vọng: ngoài Anthropic và NVIDIA, còn điều gì đáng để đầu tư? Một nhà đầu tư hàng đầu tại Thung lũng Silicon đã dùng dữ liệu và ví dụ thực tế chứng minh rằng hào quang thực sự không nằm trên các bảng xếp hạng — mà ẩn sâu trong những khía cạnh không thể đo lường bằng benchmark.
Vào giữa năm 2026, phiên bản “rối loạn tinh thần AI” dành riêng cho nhà đầu tư chính là một cảm giác tuyệt vọng: “Không còn gì đáng để đầu tư nữa — chúng ta nên dồn toàn bộ tiền vào Anthropic và NVIDIA rồi về nhà.”
Tôi chưa từng cảm thấy như vậy. Tôi hoàn toàn tin rằng các mô hình thông minh hơn tôi nhiều phiên bản liên tiếp; tôi sẵn sàng mua cổ phiếu Anthropic và NVIDIA với giá thị trường; tất cả những người bạn thông minh nhất của tôi đều khá chắc chắn rằng khả năng tự cải thiện sẽ sớm thành hiện thực — thế nhưng tôi vẫn không cảm thấy tuyệt vọng ấy.
Cảm giác tuyệt vọng này không phải là phi lý. Lập luận rất rõ ràng: nếu mô hình liên tục tiến bộ trong mọi lĩnh vực, thì mọi công ty xây dựng trên nền tảng đó chỉ là một lớp vỏ mỏng, chờ bị hấp thụ; duy nhất những giá trị tồn tại được sẽ là năng lực tính toán (compute) và trọng số (weights) tiên tiến nhất.
Lấy phần mềm làm ví dụ — đây là minh chứng được phe “tuyệt vọng” dựa vào nhiều nhất. Devin, khi ra mắt năm 2024, mới chỉ giải quyết được 13% nhiệm vụ trong các benchmark phần mềm tiêu chuẩn, gần như bị bỏ qua hoàn toàn. Một năm rưỡi sau, các agent tốt nhất đạt điểm trên 80 và đang thực hiện công việc thực tế tại Goldman Sachs cũng như Lục quân Hoa Kỳ. Hầu hết mọi người đều rút ra cùng một bài học sai lầm: mô hình đang nuốt chửng kỹ nghệ phần mềm. Nhưng khi mô hình chiếm lĩnh phần dễ đo lường nhất của kỹ nghệ phần mềm, chúng ta lại đang nhận ra điều mà nhiều đội ngũ kỹ thuật đã biết từ lâu — kỹ nghệ luôn kháng cự việc đo lường, và phần dễ đo lường nhất có thể không phải là phần duy nhất quan trọng.
Mert Demirer thuộc MIT cùng các cộng sự cuối cùng đã đưa ra con số cụ thể: trên hơn 100.000 lập trình viên, agent viết mã mới nhất giúp tăng khối lượng mã được viết lên khoảng 180%, trong khi khối lượng mã thực sự được triển khai chỉ tăng khoảng 30%. Việc viết mã trở nên rẻ hơn. Phần còn lại vẫn phải do con người đảm nhiệm — và nó vẫn vô cùng quan trọng. Tất nhiên, tác động ròng vẫn rất đáng kinh ngạc.
Benchmark là thứ bạn có thể đo lường, và thứ bạn đo lường được thì bạn có thể huấn luyện để đạt được nó. Vì vậy, agent viết mã là lĩnh vực đầu tiên trưởng thành: trình biên dịch là bộ xác thực miễn phí, bộ kiểm thử (test suite) cũng là bộ xác thực miễn phí; khi câu trả lời tự kiểm tra chính nó miễn phí, bạn có thể liên tục điều chỉnh cho đến khi vượt qua tiêu chuẩn đó. Tuy nhiên, vượt qua kiểm thử chưa bao giờ nói cho bạn biết liệu một thay đổi nào đó có đúng đắn hay không đối với một kho mã cũ kỹ đã tồn tại mười năm, nơi ba module chưa từng được tài liệu hóa, và pipeline triển khai chỉ duy trì nhờ một cron job do không ai chịu thừa nhận mình viết ra.
Loại “đúng đắn” ấy không thể đọc ra từ bảng xếp hạng — thực tế, cũng chẳng thể đọc ra từ bất kỳ thứ gì khác. Bạn chỉ học được điều đó bằng cách vận hành hệ thống phức tạp ấy đủ lâu trong thế giới thực để phát hiện xem nó có hiệu quả hay không; và mô hình thông minh hơn cũng không thể khiến thế giới vận hành nhanh hơn. Không ai chạy unit test ở quy mô Google rồi tin tưởng vào dấu tích màu xanh lá; bạn tin tưởng vì hệ thống ấy đã chịu đựng được tải thực tế trong nhiều năm. Loại “đúng đắn” như thế không chỉ mang tính riêng tư, mà còn là một hào quang chậm chạp — thứ vốn không thể bị phá vỡ bởi vốn đầu tư. Ngay cả những người lạc quan nhất cũng thừa nhận rằng thời gian không thể nhảy cóc: Noam Brown, người tiên phong trong mô hình suy luận của OpenAI, gần đây viết rằng phương pháp đáng tin cậy duy nhất để đánh giá một agent trong khoảng thời gian một năm có lẽ chính là… chạy thử nó suốt một năm.
Như Gabe Pereyra từng nói, tự động hóa thực sự không chỉ đơn thuần là mô hình trở nên tốt hơn. Đó là sự đồng tiến của sản phẩm, mô hình, quy trình làm việc và công ty — trong bốn yếu tố ấy, ba yếu tố di chuyển với tốc độ tổ chức.
Con người — những chủ thể đang di chuyển — là phần benchmark không chạm tới: thuyết phục một đối tác hoài nghi thay đổi cách họ xử lý công việc, giữ vững tinh thần đoàn kết trong quá trình tái cấu trúc. Đây cũng là lý do vì sao khi tuyển CEO, năng lực quản lý con người ít nhất quan trọng ngang bằng năng lực phân tích — và mô hình thông minh hơn sẽ không làm thay đổi tỷ trọng này. Phản hồi thường mơ hồ, chu kỳ thời gian kéo dài hàng năm, và niềm tin thuộc về cá nhân. Tôi biết mọi công ty đều đã trang bị cho toàn bộ kỹ sư các mô hình viết mã tiên tiến nhất, nhưng không công ty nào thay đổi tổ chức kỹ thuật của mình với tốc độ tương đương. Việc áp dụng mất một quý — một quý “tăng trưởng token” kỳ diệu đến thế! Nhưng quá trình tái cấu trúc thì đang kéo dài hàng năm.
Điều dễ thấy là những thứ đang biến mất. Công việc có giá trị về mặt cấu trúc lại không dễ quan sát: bất kỳ điều gì bạn có thể đặt lên bảng xếp hạng, bạn đều có thể huấn luyện để đạt được nó — vì vậy mọi thứ đo lường được đều đang trên đường trở thành hàng hóa. Quá trình này cần thời gian và sẽ không bao giờ hoàn tất, nhưng xu hướng thì không bao giờ đảo ngược. Dùng thuật ngữ tài chính của Matt MacInnis — người bạn tại Rippling — thì: token dùng để trả lời các câu hỏi chung chung gần như vô giá, bởi bất kỳ mô hình nào cũng có thể trả lời; trong khi token dùng để suy luận trên dữ liệu nội bộ của công ty bạn lại có giá trị cao hơn nhiều, bởi nó thực hiện đúng điều bạn thực sự muốn — chứ không chỉ trông hợp lý trên bề mặt.
Công việc dễ thấy đang bị nuốt chửng từ hai phía. Từ dưới lên, là sự bão hòa nhiệm vụ: một khi công việc có thể được kiểm tra với chi phí thấp, người mua sẽ không còn hỏi “mô hình nào làm việc này”, mà bắt đầu hỏi “chi phí bao nhiêu”, và công việc sẽ đổ dồn về mô hình mã nguồn mở hoặc mô hình được tinh giản (distilled) rẻ nhất trong tuần đó. Ở bất kỳ nơi nào chúng tạo ra ảnh hưởng, lợi nhuận cuối cùng luôn là yếu tố then chốt. Từ trên xuống, các phòng thí nghiệm đang cố gắng để mô hình “nuốt chửng” chính giàn giáo hỗ trợ nó: tìm kiếm (retrieval), định tuyến giữa các cuộc gọi rẻ và đắt, sử dụng công cụ (tool use), thậm chí cả chiến lược suy luận — tất cả các thiết bị từng bao bọc mô hình đều đang được tích hợp vào trọng số, cho đến khi “bộ bao bọc” chính là mô hình. Đây chính là hiện tượng “hấp thụ tầng前沿”. Áp lực lợi nhuận cũng tác động ngược chiều: agent chung chung phải sẵn sàng cho mọi thứ — điều này rất tốn kém; trong khi ứng dụng chuyên biệt có thể điều chỉnh quy trình làm việc đến mức chỉ tiêu tốn một phần nhỏ token, và khác với các phòng thí nghiệm bán token, ứng dụng này giữ lại khoản chênh lệch.
Vì vậy, với bất kỳ loại công việc nào, chúng ta cũng có thể đặt hai câu hỏi. Thứ nhất, tính “đúng đắn” của nó có mang tính riêng tư và tốn kém để xây dựng hay không — tức là chân lý chỉ tồn tại bên trong dữ liệu của một người nào đó? Thứ hai, nó có bị cô lập hay không — khóa chặt trong hệ thống mà bạn không thể tiếp cận? So sánh hai yếu tố này với mức độ bão hòa của nhiệm vụ, bạn sẽ có một ma trận 2x2. Công việc bão hòa có đáp án công khai là “token hàng hóa”, thuộc về mô hình mã nguồn mở. Công việc tiên tiến có đáp án công khai — nơi các benchmark viết mã tồn tại — là sân chơi chiến thắng của các phòng thí nghiệm, bởi khi việc đánh giá là miễn phí, sở hữu nó chẳng có gì đặc biệt. Giải thưởng nằm ở góc cuối cùng — nơi không thể huấn luyện: công việc tiên tiến mà tính “đúng đắn” chỉ tồn tại trong phạm vi riêng tư. Bạn có thể thấy điều này trong đám mây suy luận lưu trữ các tiên phong AI-native, nơi phần lớn token được tạo ra bởi các mô hình tùy chỉnh — chứ không phải các mô hình mã nguồn mở chung chung.
Chiều cao bức tường dẫn vào góc cuối cùng này là khác nhau. Cơ sở mã chơi đùa của một lập trình viên đơn lẻ là chuẩn hóa và dễ di chuyển, nên việc leo lên rất ngắn. Còn hệ thống sản xuất của một ngân hàng thì không phải như vậy — bạn sẽ không giành được quyền root chỉ vì giỏi hơn 2% trên SWE-Bench Verified.
Năng lực có thể nuốt chửng nhiều thứ, nhưng mô hình tốt hơn sẽ không biến những chân lý riêng tư thành công khai. Nó không nắm giấy phép, không ký cam kết trách nhiệm, cũng không sở hữu hồ sơ công ty; khi câu trả lời sai, nó không thể bị kiện. Thông minh không phải là điểm nghẽn ở đây. Giấy phép là, trách nhiệm cũng là. Bạn có thể tưởng tượng một mô hình thông minh hơn bất kỳ ai rất nhiều, nhưng nó vẫn phải được phép bước vào cửa, và vẫn phải có người đứng ra ký tên cho những việc nó làm.
Cửa ấy có một chiếc khóa và một then cài. Khóa là môi trường: bạn chỉ có thể xác minh AI có làm việc hữu ích hay không sau khi đã được tin tưởng bên trong hệ thống — sau kiểm tra an ninh, tích hợp và hợp đồng yêu cầu bạn ký tên vào kết quả. Then cài là người dùng. Hiện nay, đa số bác sĩ Mỹ mỗi ngày đều mở OpenEvidence — không một lượng tính toán nào có thể mua được điều đó. Phòng thí nghiệm có thể huấn luyện một mô hình y khoa hoàn hảo vào ngày mai, nhưng vẫn không thể xâm nhập thói quen của bác sĩ hay quy trình ra quyết định tại Đại học California San Francisco, bởi niềm tin được xây dựng chậm rãi, dựa trên mối quan hệ, đòi hỏi sự đồng thuận ngầm của người dùng — chứ không phải xóa sạch gradient descent của họ.
Đó cũng là công việc. Một ứng dụng giành vị trí trong góc “không thể huấn luyện” bằng những việc làm khiêm tốn: sắp xếp hiện thực riêng tư của công ty để mô hình có thể hành động trên đó, cung cấp cho mô hình các công cụ để hành động, và hợp tác với khách hàng để thay đổi hiện thực của nhân viên họ. Một công ty cung cấp dịch vụ dịch thuật rất khó sao chép — và dịch thuật thì chưa bao giờ kết thúc. Việc tích hợp và bảo trì kéo dài suốt đời mối quan hệ, và được giành lấy bởi các đội nhóm đặt kỹ sư chuyên môn lĩnh vực và công cụ ngay bên cạnh khách hàng.
Ví dụ, tại một công ty luật hàng đầu theo kiểu “giày trắng”, riêng mảng M&A mỗi năm xử lý gần một nghìn giao dịch. Vì lý do bảo mật và nhiều nguyên nhân khác, bạn không thể để hàng trăm trợ lý mỗi người tải file khách hàng về máy tính cá nhân và yêu cầu agent chung chung duyệt qua chúng — ngay cả khi bạn làm được, bạn cũng chỉ học được những mảnh rời rạc, từng sửa chữa một trợ lý một lần, và sẽ không nhìn thấy toàn cảnh luồng giao dịch. Tín hiệu quan trọng tồn tại ở cấp độ giao dịch — và mỗi giao dịch có một cấu trúc riêng: đối với M&A là thỏa thuận bảo mật (NDA), danh sách điều khoản (term sheet), thẩm định do diligence, thỏa thuận mua bán (purchase agreement), tài liệu phụ trợ, danh sách bàn giao (closing checklist); đối với vụ kiện sở hữu trí tuệ (IP litigation) là đơn kiến nghị (motion), khám phá chứng cứ (evidence discovery), công nghệ hiện có (prior art), thêm các đơn kiến nghị khác. Mỗi lĩnh vực nghiệp vụ đều có cấu trúc riêng, và luật sư lẫn công cụ đều không thể hoán đổi qua lại giữa các lĩnh vực. Còn vấn đề thực sự mà công ty luật giải quyết nằm ở một tầng cao hơn tất cả những điều trên: song song vận hành từng lĩnh vực nghiệp vụ — giống như các đối tác cấp cao hàng đầu đồng thời xử lý hàng trăm vụ việc, vừa tiếp nhận vụ việc mới vừa đào tạo trợ lý. Việc chuyển đổi một công ty luật như vậy không phải là một nhiệm vụ duy nhất mà bạn có thể viết ra tiêu chí đánh giá. Nó đòi hỏi một nhà vận hành sử dụng phương pháp phân tích dữ liệu, với mục tiêu cực kỳ mơ hồ, phản hồi không đầy đủ, chu kỳ thời gian rất dài, trong một môi trường không bao giờ đứng yên.
Thật không may, giá trị vô hình cũng rất khó bán — lý do giống như việc nó khó trở thành hàng hóa: doanh nghiệp không thể đánh giá từ bên ngoài liệu AI có thực sự chuyển đổi hoạt động của họ hay không, cũng như benchmark không thể đánh giá được. Vì vậy, các doanh nghiệp mạnh nhất ngừng cố gắng chứng minh điều đó từ bên ngoài, mà đi sâu vào bên trong để định giá kết quả. Sierra tính phí khi agent của họ giải quyết vấn đề cho khách hàng, và không tính phí khi vấn đề được chuyển sang con người — do đó, giá cả trở thành tiêu chí đánh giá, và điều này chỉ hiệu lực khi Sierra tự xác định được thế nào là “đã giải quyết”. Devin của Cognition cũng áp dụng biện pháp tương tự trong phần mềm, đưa ra “cam kết hiệu suất”, điều này chỉ có thể thực hiện được khi bạn được tin tưởng bước vào hệ thống để đảm bảo kết quả.
Ngay cả lớp “token dịch vụ” — thứ mà mọi người thích gọi là tầng hàng hóa thuần túy — cũng không vận hành như một hàng hóa. Các công ty AI-native tốt nhất tập trung dịch vụ của họ vào một hoặc hai nhà cung cấp (Baseten hoặc Fireworks), bởi chi phí mỗi token theo kế hoạch thì đang trở thành hàng hóa, còn độ tin cậy trong lưu lượng thực tế và khả năng tiếp cận đảm bảo với nguồn tính toán khan hiếm thì không. Nơi bạn triển khai dịch vụ là lựa chọn khác biệt so với việc bạn sử dụng mô hình nào. Giá cả là yếu tố duy nhất trong suy luận vận hành như một hàng hóa.
Một phản bác thường gặp là: phòng thí nghiệm là nhà cung cấp của bạn — tại sao họ lại không vận hành sản phẩm nội bộ với giá thấp hơn chi phí nhằm hút cạn bạn, hoặc thu hồi quyền truy cập API và tự chiếm lĩnh thị trường? Đây là phiên bản “tuyệt vọng” thực tế — nhưng nó chỉ hiệu lực khi lớp mô hình là trò chơi một người. Rõ ràng không phải vậy — nó trông giống một cuộc đua tử thần giữa ba rưỡi bên, với một nhóm người chơi quốc tế đang tụt hậu sáu tháng về huấn luyện, và quy mô liên minh phát triển đã tăng gấp năm lần so với năm ngoái. Khách hàng mong muốn có sự cạnh tranh giữa các nhà cung cấp, còn các phòng thí nghiệm thì ưu tiên thị phần hơn là để bất kỳ ứng dụng nào thất bại.
Bạn có thể thấy điều này ở những thị trường nơi các phòng thí nghiệm trực diện cạnh tranh. Trong chat tiêu dùng, mô hình tốt nhất chưa bao giờ đơn giản giành chiến thắng. ChatGPT duy trì vị trí dẫn đầu sau nhiều năm cạnh tranh thực tế, và phần thị phần mà nó đang mất đang chảy về Gemini — nhờ sức mạnh của Android và tìm kiếm, chứ không phải nhờ mô hình tốt hơn. Anthropic — hiện đang được thị trường dự báo (và bầu không khí mạng) đánh giá là công ty sở hữu mô hình tốt nhất — gần như không phải yếu tố nào trong chat tiêu dùng, mà lại xây dựng được mảng kinh doanh riêng trong lĩnh vực doanh nghiệp và lập trình. Nếu mô hình tốt hơn không thể chiếm mất người dùng của đối thủ trong ứng dụng cốt lõi nhất, thì nó cũng sẽ không thể xuyên qua hồ sơ bệnh án tại bệnh viện hay trách nhiệm tại ngân hàng thông qua tích hợp. Sự lựa chọn của công chúng hôm nay không chỉ dựa trên lập trình. Nếu tầng tiên tiến tiếp tục đông đúc, thì tầng phía trên nó sẽ có giá trị.
Nếu công việc không thể đánh giá từ bên ngoài, thì phải có người bên trong quyết định thế nào là câu trả lời tốt — và chính quyết định ấy là toàn bộ trò chơi. Đủ nhiều quyết định như vậy, khi được ghi chép lại, sẽ trở thành một benchmark. Harvey đã công bố một benchmark cho pháp lý, Sierra cũng công bố một benchmark cho agent thoại. Bạn giành quyền định nghĩa thế nào là “tốt” trong lĩnh vực của mình bằng cách trở thành công cụ mà lĩnh vực ấy đã sử dụng — và các công ty này đã giành được quyền ấy thông qua cuộc đấu tranh áp dụng thực tế.
Việc đánh giá gắn với tiền thật là riêng tư và khác biệt theo từng công ty: công ty này, trong giao dịch này, sẽ chấp nhận điều gì là “công việc tốt”? Điều này còn rất xa mới hoàn tất, bởi độ sâu của pháp lý khiến mọi bài kiểm tra công khai đều trở nên nhạt nhòa. OpenEvidence đang xác định thế nào là câu trả lời lâm sàng an toàn. Những điều này không phải là phép đo thực sự — mà là những phán đoán về điều gì là “đúng” và điều gì là “tốt”, được ghi chép lại cho đến khi nó trở thành tiêu chuẩn đánh giá cho tất cả những người khác, và các phòng thí nghiệm nền tảng dù thông minh đến đâu cũng không thể tự viết ra — bởi địa vị ấy chỉ tồn tại bên trong lĩnh vực đó. Quyền uy này có xu hướng nằm ở nơi nó đã ngồi. Luật sư kỳ cựu viết benchmark pháp lý. Việc định nghĩa câu trả lời lâm sàng an toàn thuộc về bác sĩ. Còn “đã giải quyết” nghĩa là bất kỳ công ty nào đã có khách hàng đều có quyền định nghĩa nó.
Tầng tiên tiến bị hấp thụ không ngừng gia tăng, bởi chúng ta liên tục học cách đo lường nhiều công việc hơn, và những thứ đo lường được thì bị nuốt chửng. Mặt đất “không thể huấn luyện” đang thu hẹp dần dưới chân bất kỳ ai đứng trên nó — vì vậy bạn không thể tìm một điểm phòng thủ rồi nghỉ ngơi. Bạn phải liên tục tiến về phía bất cứ điều gì vẫn chưa thể đánh giá được, và liên tục tái bảo hiểm. Trên một nhiệm vụ hẹp, bằng dữ liệu riêng tư và tiêu chí đánh giá riêng của bạn, bạn có thể huấn luyện đến tầng tiên tiến và đánh bại mô hình chung chung ở những nơi quan trọng — mô hình chuyên biệt ấy sẽ trở thành một phần của hào quang bảo vệ. Ngược lại, cạnh tranh trên nền tảng mô hình chung chung là một cuộc chiến vốn — bạn sẽ thua người sở hữu nhiều tính toán nhất, đây là cái bẫy dành cho các công ty chỉ có quyền truy cập nông và xử lý các nhiệm vụ dễ quan sát. Nó hứa hẹn một ngày nào đó sẽ vượt qua tầng tiên tiến trong phạm vi nhiệm vụ chung chung để sinh tồn — nhưng lúc ấy, người chiến thắng dường như được quyết định chủ yếu bởi quy mô trung tâm dữ liệu, và kết cục thường không phải là một nhà vô địch độc lập, mà là bị bán cho người sở hữu nguồn tính toán dồi dào.
Tất cả những điều trên đều là phòng thủ. Khó hơn là tấn công — lựa chọn xây dựng điều gì trước tiên. Đó là điều tôi đã dành cả năm trời để tìm kiếm, và có lẽ tôi đã tìm thấy ba lần. Mô hình không giúp ích gì ở đây. Nó sẽ làm bất cứ điều gì bạn chỉ vào, nhưng không thể nói cho bạn biết điều gì đáng để chỉ vào — bạn không thể benchmark điều đó, nên cũng không thể huấn luyện nó. Đây cũng là lý do các doanh nghiệp hiện hữu sẽ không chiếm lĩnh tất cả: họ giữ vững lãnh địa mình đang có, còn điều tiếp theo sẽ đến từ những người phát hiện ra công dụng trước phần còn lại của chúng ta. Có lẽ ý định mới là đầu vào khan hiếm hơn cả tính toán.
Thuyết “tuyệt vọng” đúng một nửa. Lớp vỏ mỏng thực sự đang bị hấp thụ, và nhiều thứ trông giống công ty ngày nay chính là lớp vỏ mỏng ấy. Nhưng thuyết này sai ở chỗ còn lại là gì. Cơ chế thì rõ ràng; đích đến thì chưa. Tôi đặt cược vào xu hướng: trí tuệ liên tục rẻ đi, còn giá trị thì trượt dần về những nơi rất ít ỏi mà mô hình không thể chạm tới. Thứ “không thể huấn luyện” là giá trị có lịch sử. Vì vậy, hãy bước vào một lĩnh vực như thế, làm những việc dịch thuật khiêm tốn, bắt đầu ghi chép lại thế nào là “tốt” ở đó — bởi sẽ luôn có người làm điều đó. Điểm số benchmark được trích dẫn nhiều nhất năm nay là một bản đồ lãnh thổ sắp trở nên vô giá trị, và cũng là thông báo về việc ai sắp mất quyền quyết định thế nào là “tốt”.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@saranormous
