Bài viết

Theo The Decoder, Will DePue, cựu nhà nghiên cứu OpenAI, công bố phân tích pháp y cho thấy ít nhất sáu model Trung Quốc mang “dấu vân tay” của Nvidia Blackwell. Đây không phải ảnh GPU trong data center hay hồ sơ vận chuyển bị rò rỉ. Bằng chứng nằm ngay trong checkpoint trọng số công khai: số lượng compute core mà model đã dùng khi khởi tạo và huấn luyện.
DePue phân tích checkpoint của các model và suy ngược cấu hình phần cứng từ cách trọng số được chia theo nhân xử lý. GPU thế hệ Hopper, gồm H100/H800, dùng 132 core; Blackwell dùng 148 hoặc 152 core, tùy biến thể B200/B300 hay GB200/GB300.
Kết quả: các model cũ như DeepSeek-V3 và Kimi K2.5 chỉ cho dấu vết Hopper. Ngược lại, sáu model phát hành từ tháng 4/2026 hiển thị dấu hiệu Blackwell. DeepSeek-V4-Flash và MiniMax-M3 được ánh xạ tới B200 hoặc B300; DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro và Ling-3.1-flash của Ant Group phù hợp với cấu hình 152 core của GB200 hoặc GB300.
Phương pháp này được kiểm tra trên 24 model có phần cứng đã biết, gồm Llama 3.1 của Meta chạy trên H100, và cho kết quả khớp. DePue nói các nhà nghiên cứu cấp cao tại OpenAI và Anthropic đã kiểm tra lại; đây vẫn là tuyên bố của DePue, chưa có xác minh độc lập từ các tổ chức đó.
Đây là một đòn đánh trực diện vào cách thế giới đánh giá kiểm soát xuất khẩu chip AI. Mỹ có thể kiểm soát giao dịch trực tiếp với doanh nghiệp Trung Quốc, nhưng checkpoint model lại gợi ý compute Blackwell vẫn được tiếp cận ở quy mô công nghiệp. Báo cáo ước tính năm đợt huấn luyện cần khoảng 12.000 GPU Blackwell, tương đương khoảng 30.000 H100 đời cũ, với tổng giá trị phần cứng vượt 500 triệu USD theo giả định khoảng 70.000 USD mỗi chip.
Quy mô này loại trừ cách giải thích “thử nghiệm nhỏ lẻ”. Riêng Kimi K3 được ước tính cần khoảng 4.500 bộ xử lý Blackwell trong 70 ngày; DeepSeek-V4-Pro cần khoảng 3.000. Dylan Patel của SemiAnalysis cũng nhận định kiến trúc DeepSeek-V4 được xây cho Blackwell và Huawei Ascend, còn V3 tối ưu cho Hopper. Hai hướng phân tích độc lập đang chỉ về cùng một kết luận kỹ thuật.

Với đội ngũ xây LLM, câu chuyện quan trọng nhất không phải ai đã mua chip ở đâu. Điểm đáng học là hardware-aware training đã trở thành lợi thế kiến trúc. Khi một model được thiết kế theo topology và đặc tính số học của Blackwell, việc chuyển sang một accelerator khác không còn là thao tác thay driver. Nó kéo theo kernel, chiến lược parallelism, precision, pipeline dữ liệu và cost model.
Cũng cần giữ kỷ luật suy luận: phương pháp của DePue chỉ chỉ ra phần cứng dùng để khởi tạo trọng số. Nó không chứng minh GPU đặt tại Trung Quốc, thuộc sở hữu của công ty Trung Quốc, hay có hành vi buôn lậu. Thuê compute tại data center ngoài Trung Quốc vẫn là một khả năng.
Phát hiện này đáng tin về mặt kỹ thuật hơn phần lớn tin đồn chuỗi cung ứng, vì nó dựa trên dấu vết có thể tái kiểm tra trong trọng số. Nhưng ai dùng nó để kết luận ngay có buôn lậu sẽ đi quá dữ liệu. Bằng chứng về hardware fingerprint không phải bằng chứng về tuyến vận chuyển.
Điều đáng phê phán là tư duy chính sách chỉ chăm chăm chặn chip ở cửa khẩu. Compute hiện là dịch vụ xuyên biên giới; kiểm soát phần cứng mà không theo dõi quyền truy cập cloud, năng lực cluster và provenance của model thì chỉ tạo ra một hàng rào có lỗ lớn. Khuyến nghị cụ thể cho engineer và founder: hãy đưa hardware provenance manifest vào quy trình phát hành model ngay từ bây giờ, ký kèm checkpoint, cấu hình train và môi trường runtime. Khi khách hàng doanh nghiệp hỏi model được tạo ra thế nào, đội ngũ có câu trả lời kiểm toán được thay vì một slide marketing.
Không. Nó chỉ suy ra loại phần cứng đã dùng để tạo trọng số. GPU có thể thuộc đối tác, nhà cung cấp cloud hoặc data center đặt ngoài Trung Quốc.
Trọng số được phân mảnh và làm tròn theo cách phụ thuộc vào cấu hình compute khi huấn luyện. Hopper dùng 132 core, còn Blackwell dùng 148 hoặc 152 core; sự khác biệt này tạo mẫu có thể quan sát trong checkpoint.
Đừng chỉ so benchmark model. Hãy hỏi model được train trên hạ tầng nào, có thể tái lập pipeline hay không và nhà cung cấp có hồ sơ provenance đủ cho kiểm toán bảo mật, pháp lý và procurement hay không.
Nguồn tham khảo: The Decoder
Tác giả: Cường Nguyễn — Founder AI Ops Solutions | Verified n8n Creator. Kết nối: Facebook · LinkedIn · YouTube · TikTok
Bài viết là góc nhìn cá nhân của tác giả, mang tính tham khảo — không phải tin tức báo chí.
Đừng bỏ lỡ bài viết tiếp theo. Đăng ký để nhận trong inbox.

Tác giả
Tôi là Cường Nguyễn - Founder của AI Ops Solutions.
Tôi từng là Logistics Operations Manager và đồng sáng lập thương hiệu CATCA - #1 Shopee ngành Pet Care.