2 giờ sáng, tôi vẫn mở 6 tab Telegram như một thói quen kỳ lạ. Tab thứ 4 nhảy lên một dòng tin từ Reddit AMA: MiniMax H3, mô hình video generation ‘open source’ mới. Cộng đồng AI x Crypto bắt đầu xôn xao. Người thì hét lớn: ‘Local video generation cuối cùng cũng tới!’ Kẻ thì nói: ‘Sora mở mã nguồn kiểu mới?’ Nhưng tôi đọc kỹ hơn. Và tôi cười — một nụ cười kiểu ‘tôi đã thấy mùi quen thuộc’.
768p local. 2K chỉ qua API. Một cục xương ném cho đám đông, một miếng thịt treo trước mũi con bò đang cày trên cloud. Khoan đã — đây không phải một bài về công nghệ video. Đây là một bài về kinh tế học của sự khan hiếm, về sự giao thoa giữa mồi câu open source và giấc mơ phi tập trùng của crypto.
Liquidity là máu, narrative là trái tim. Nhưng ở đây, token không phải là thứ chảy trong huyết mạch. Là GPU.
Hãy để tôi kể cho bạn nghe vì sao.
Context: Khi AI video chạm ngõ crypto
Để hiểu vì sao cái tên MiniMax H3 lại gây sốc cho cả hai giới, bạn cần đặt nó vào bối cảnh năm 2025. Đây là năm mà các quỹ đầu tư mạo hiểm đổ hàng tỷ USD vào ‘decentralized compute’. Render Network hút hàng trăm triệu để xây dựng mạng lưới GPU phân tán. Akash mở rộng marketplace. Bittensor đưa ra ý tưởng các subnet AI giao dịch bằng token. Và rồi Sora của OpenAI xuất hiện, chứng minh video generation từ văn bản là khả thi — nhưng là một ứng dụng khép kín, chạy trên đám mây, không ai sờ được vào mã.
Giữa bối cảnh đó, MiniMax H3 được công bố với nhãn ‘open source’. Người ta mừng rỡ: một mô hình video generation chất lượng có thể chạy local, không cần gọi API, không phải trả phí cho công ty Trung Quốc. Hệt như thời Stable Diffusion đã làm cho hình ảnh tĩnh. Nhưng đọc kỹ thông báo của đội ngũ:
- H3 hiện có thể tạo video 768p hoàn chỉnh trên máy local.
- Module 2K đã được xác nhận phát hành, nhưng chỉ truy cập qua API chính thức.
- Nhóm phát triển có kế hoạch cung cấp giải pháp tăng tốc cục bộ để H3 chạy nhanh hơn, tốn ít tài nguyên hơn.
- Họ tự thừa nhận mô hình gặp hiện tượng blur, méo ở các cảnh nhiều nhân vật ở xa, và bài toán multi-modal joint reference chưa tròn trịa.
Đó là tất cả những gì chúng ta có. Không paper, không tham số, không benchmark, không giá API. Chỉ là một mô hình được ‘mở’ một nửa — mở theo cách giống như một chai rượu vang đã mở nhưng người bán vẫn giữ lại chai nước hoa trong két.
Tôi nhớ lại năm 2017, khi OmiseGO bán viễn cảnh ‘plasma scaling’ với một whitepaper mỏng nhưng câu chuyện dày. Tôi đã mua. Lần này, tôi không vội mua quá. Tôi chỉ muốn mổ xẻ.
Core: Kiến trúc hai tầng và cú đánh lừa kỹ thuật
Nhìn vào tuyên bố ‘2K module sẽ tái xử lý video đã có sẵn cùng với tài liệu tham chiếu gốc để tạo ra video độ phân giải cao’. Đây không phải là sinh video 2K trực tiếp từ text. Đây là một mô hình super-resolution / repaint hậu kỳ. Có nghĩa là:
- Model cơ sở tạo 768p end-to-end.
- Module 2K nhận đầu vào là video 768p + reference material, rồi ‘vẽ lại’ từng khung hình ở độ phân giải cao.
Về mặt kỹ thuật, đây là một lối đi tối ưu về chi phí. Sinh video 2K trực tiếp sẽ có độ phức tạp tính toán theo cấp số nhân với số pixel và số frame. Trong khi một mô hình upscale/repaint có thể tái sử dụng nhiều thành phần đã học từ model gốc, tập trung vào việc phục hồi chi tiết. Nhờ đó, họ có thể ra mắt tính năng 2K qua API ngay lập tức, mà không cần đốt toàn bộ GPU cluster của người dùng local.
Nhưng đây chính là điểm mù. Một mô hình ‘re-draw’ hay ‘repaint’ không chỉ đơn thuần là tăng pixel. Nó dự đoán lại nội dung ở mức ngữ nghĩa. Điều này có nghĩa là mô hình có thể thêm chi tiết không tồn tại trong video gốc. Một cái cây có thể biến thành năm cái cây. Chữ trên biển hiệu có thể bị bẻ cong cho đến khi đọc được. Nhưng — và đây là câu hỏi khiến các nhà làm phim chuyên nghiệp thức trắng đêm — liệu khuôn mặt của một người ở frame thứ 50 có còn là cùng một người ở frame thứ 51? Identity drift. Style drift. Thời gian không nhất quán.
Hãy để tôi nói thẳng: nếu bạn cần video cho một chiến dịch quảng cáo có thương hiệu, nơi màu sắc và nhận diện sản phẩm phải tuyệt đối chính xác, thì một mô hình repaint là một canh bạc. 2K API của H3 có thể tạo ra video cực kỳ đẹp với các chi tiết được ‘tưởng tượng’ lại. Và trong ngành sản xuất, sự tưởng tượng đó là một lỗ hổng.
Thế nhưng, ở cấp độ kiến trúc, tôi đánh giá cao quyết định này. Họ không cố nhồi nhét một model 2K khổng lồ vào local. Họ nhận ra rằng 768p đã đủ tốt cho một loạt trường hợp: kịch bản ý tưởng, short video media, nội dung mạng xã hội, thậm chí là prototype cho game. Và mô hình 2K — một con quái vật khát VRAM — có thể được vận hành tập trung trên cloud của họ, nơi họ kiểm soát được chi phí và có thể tính phí.
Có một chi tiết tinh tế: việc tách rời module 2K khỏi model cơ sở có nghĩa là họ không cần phải train lại toàn bộ 768p. Họ có thể cải tiến module upscale một cách độc lập, nâng cấp API thường xuyên hơn. Và điều này cũng đồng thời tạo ra một rào cản: nếu bạn muốn chạy toàn bộ quy trình 2K trên local — như đội ngũ hứa hẹn ‘trong tương lai’ — bạn sẽ phải chờ họ giảm toán để tối ưu hóa. Khi nào điều đó xảy ra? Khi nào họ đã vắt kiệt giá trị thương mại từ API và cảm thấy an toàn để mở thêm?
Hãy nhớ mô hình Open Core của các công ty phần mềm. Họ mở code, nhưng đóng các tính năng ‘enterprise’. Họ cho bạn nhìn thấy trái tim, nhưng giữ lại lá phổi. Ở đây, MiniMax làm đúng pattern đó: mở phần tạo 768p để xây dựng cộng đồng, giữ phần 2K như một API tính tiền. Là một kỹ sư từng audit code, tôi nhận ra ngay mùi vị của sự khôn ngoan thương mại đằng sau lớp áo ‘open source’. Điều này không sai — nó chỉ là cách thế giới vận hành.
Nhưng đối với giới crypto, câu chuyện này lại là một phép thử đau đớn. Vì trong crypto, chúng ta thích những thứ ‘không cần tin tưởng’ (trustless). Chúng ta thích ai cũng có thể tự xác minh. Nhưng với H3, bạn không thể xác minh chất lượng 2K trừ khi bạn trả tiền API. Bạn phải tin vào benchmark của họ — hoặc không có gì cả. Và điều đó đi ngược lại toàn bộ hệ sinh thái decentralized AI mà chúng ta đang mơ.
Core: Kinh tế học API và cái giá của sự mở
Bây giờ nói về tiền. Đội ngũ không tiết lộ giá, nhưng tôi có thể ước lượng bằng trực giác kỹ thuật của mình sau nhiều năm đốt GPU cho các side project. Một video dài 10 giây, 768p, với khoảng 30 frame/s, tức 300 frame. Sinh ra từ model như H3 trên một GPU A100 tầm trung có thể mất từ 5 đến 15 phút. Còn 2K repaint? Phải upsample và re-draw toàn bộ — ước tính gấp 4 đến 8 lần chi phí tính toán so với 768p, tức có thể lên tới 30-60 phút trên một GPU cao cấp. Thêm vào đó là chi phí băng thông, lưu trữ video gốc, và quản lý hàng đợi. Không một công ty nào điên rồ đến mức bán 2K với giá của 768p.
Vậy giá API sẽ ra sao? Nếu họ tính theo phút video, con số có thể bắt đầu từ vài đô la mỗi video 2K. Và đó là một con số rất hợp lý cho một studio quảng cáo cần tạo 50 bản concept trong một ngày. Nhưng con số đó lại là rào cản lớn cho developer độc lập, cho một bạn trẻ ở Việt Nam muốn thử nghiệm làm phim ngắn. Họ sẽ ở lại với 768p local. Họ sẽ dùng H3 như một công cụ miễn phí. Và khi họ cần chất lượng để kiếm tiền, họ phải quay lại ôm chân API.
Đây không khác gì mô hình bán dao cạo rẻ nhưng lưỡi dao đắt. Ở đây, 768p là dao cạo. 2K API là lưỡi dao. Và ‘local acceleration’ mà họ hứa hẹn? Nghe như một lưỡi dao miễn phí, nhưng thực ra có thể chỉ là một cách để tăng độ dính của bạn vào hệ sinh thái API — vì mọi bản update nặng vẫn nằm ở cloud.
Tôi chợt nghĩ đến các dự án crypto AI như Render hay Akash. Họ có những mạng lưới GPU khổng lồ do cộng đồng cung cấp. Một ý tưởng trong đầu tôi: nếu open source 768p thực sự mở, thì ai đó hoàn toàn có thể chạy một phiên bản H3 trên mạng lưới phi tập trung, trả bằng token, và tạo ra một dịch vụ video generation ‘decentralized’. Nghe có vẻ tuyệt vời, nhưng hãy nhìn vào thực tế: độ trễ (latency) khi chạy mô hình video generation trên distributed GPU là cực kỳ khó chịu. Khác với việc render hình ảnh tĩnh — nơi bạn có thể gửi job và nhận kết quả sau vài phút — video generation cần xử lý theo thời gian thực hoặc theo luồng, với lượng dữ liệu trung gian khổng lồ. Các mạng này hiện không đủ nhanh để cạnh tranh với một API tập trung.
Bạn có thể nói: ‘Nhưng Bittensor có các subnet chuyên về video generation’. Có, nhưng chất lượng và khả năng kiểm soát của các subnet đó vẫn còn rất sơ khai. H3 local 768p có thể chạy trên một chiếc PC gaming mạnh. Điều đó có nghĩa là một developer cá nhân có thể bỏ qua các mạng decentralized hoàn toàn. Họ chỉ cần một chiếc GPU. Và đó là điểm mà tôi muốn nhấn mạnh: crypto có thể cung cấp tính thanh khoản cho compute, nhưng khi model chạy local, thì cầu nối token giữa người dùng và GPU trở nên dư thừa. Local compute là kẻ thù của decentralized compute. Stable Diffusion đã dạy chúng ta bài học đó — vì ai cần thuê GPU từ Render khi họ có một chiếc RTX 4090 ngay dưới bàn?
Đừng hiểu lầm tôi. Tôi vẫn ủng hộ các mạng GPU phi tập trung cho những tác vụ lớn như training hoặc render 3D. Nhưng video inference — đặc biệt là khi model được tối ưu hoá cho local — sẽ không mang lại dòng tiền lớn cho các mạng đó. H3 không chỉ là một sản phẩm công nghệ; nó là một chiếc đinh cuối cùng đóng vào quan tài của kỳ vọng ‘inference on decentralized GPU’ trong ngắn hạn.
Core: Tác động lên ngành sản xuất video — và cái bẫy của sự vừa đủ
Hãy nói về những người sẽ bị ảnh hưởng thực sự — những nhà sản xuất video, biên tập viên, nhà sáng tạo nội dung. Với H3 768p local, họ có thể tự do tạo video preview, bảng phân cảnh (storyboard), hoặc quảng cáo thử nghiệm mà không tốn chi phí nào. Điều này có thể thay đổi cách các agency pitch ý tưởng: thay vì vẽ tay hoặc dùng stock footage, họ có thể dựng một video concept 30 giây chỉ qua lời mô tả. Điều này khiến các studio nhỏ có thể cạnh tranh với các studio lớn hơn về tốc độ sản xuất ý tưởng.
Nhưng ở đầu kia của phổ, các nhà làm phim chuyên nghiệp sẽ thất vọng. Họ cần độ phân giải 4K, cần kiểm soát chính xác từng khung hình. Một module 2K "repaint" có thể cho ra hình ảnh sắc nét nhưng nó được dự đoán từ mô hình — không phải là một phép nội suy toán học thuần túy. Điều này có thể gây ra hiện tượng "AI hallucination ở mức pixel". Một đồng hồ trên cổ tay có thể có 10 vạch ở frame một, và 12 vạch ở frame hai. Nếu bạn làm quảng cáo đồng hồ, đó là một thảm họa. Với quảng cáo thời trang, các chi tiết vải có thể thay đổi liên tục.
Đội ngũ MiniMax thừa nhận rằng có hiện tượng blur và méo ở các cảnh xa. Điều này cho thấy họ biết rõ ràng về giới hạn của mô hình. Và họ vẫn đưa ra 2K API? Điều đó có nghĩa là họ tin rằng thị trường chấp nhận sự không hoàn hảo này — vì có quá nhiều nhu cầu về nội dung chất lượng nhanh và rẻ. Giống như lúc NFT rác bùng nổ, người ta mua vì câu chuyện, vì cảm giác sở hữu, không phải vì nghệ thuật. Video AI cũng vậy. Phần lớn nội dung trên mạng xã hội không cần 100% nhất quán. Nó chỉ cần là "đủ thu hút" để người xem dừng lại vài giây.
Câu ký hiệu của tôi trong những năm qua: "Mỗi mùa DeFi đều có một mùa người người nhà nhà phát hành token." Với AI video, mỗi mùa ra mắt model đều có một thế hệ nhà làm phim ‘nghiệp dư’ được trang bị vũ khí hạt nhân. Họ không quan tâm đến tính thời gian nhất quán. Họ quan tâm đến việc xuất bản 5 video mỗi ngày. H3 làm hài lòng họ. Và chính những người này sẽ trả tiền cho API 2K khi họ bắt đầu kiếm được thu nhập từ quảng cáo.
Contrarian: Thứ tự ưu tiên — từ "Open Source" đến một cỗ máy bán nước
Giờ đến phần phản trực giác. Có một cách đọc khác — và theo tôi là chính xác hơn — về chiến lược của MiniMax. Họ không mở mã nguồn vì lòng tốt. Họ cũng không mở để xây dựng cộng đồng như Stability AI. Họ mở vì họ cần một lực lượng lao động — một đội quân — để tinh chỉnh mô hình, phát hiện lỗi, và mở rộng các trường hợp sử dụng mà họ không có thời gian để khám phá. Khi bạn phát hành một mô hình local, hàng nghìn developer sẽ chạy nó, test nó, tìm ra các prompt kỳ diệu. Một số trong số họ sẽ xây dựng các công cụ mạnh mẽ xung quanh nó. Và thông qua hệ sinh thái này, MiniMax có được một phòng thí nghiệm nghiên cứu thị trường miễn phí. Họ đang huấn luyện dữ liệu của người dùng làm thế nào để tối ưu hoá sản phẩm — trong khi vẫn giữ 2K là món hàng độc quyền.
Ở đâu có một mô hình, ở đó có một câu chuyện. Và câu chuyện "open source" là thứ mồi để kéo dòng chảy lưu lượng truy cập. Còn "token" không nằm trong phương trình này. Hãy tưởng tượng điều gì xảy ra nếu MiniMax quyết định chạy một đợt bán node — tạo ra một token gắn với GPU mạng lưới — và nói rằng những người nắm token có thể tham gia quản trị mạng lưới và được giảm giá API. Ngay lập tức, giá token sẽ tăng vọt trong cơn sốt. Nhưng vốn hóa của một token như vậy được sinh ra từ giá trị tương lai của việc sử dụng API 2K — nó vẫn phụ thuộc vào một thực thể tập trung. Đây là một điểm mà rất nhiều người trong cộng đồng crypto không nhận ra: thêm một lớp token vào một hệ thống tập trung không làm cho nó phi tập trung; nó chỉ làm cho nó được giao dịch công khai.
Một cách đọc khác, đầy mỉa mai hơn: H3 local 768p sẽ kéo theo làn sóng đào video. Đúng vậy — đào, theo nghĩa bóng. Những người dùng máy tính mạnh có thể chạy H3 để tạo video và bán cho người khác qua các thị trường tự do — hoặc chạy các bot tự động tạo nội dung để câu view. Điều này giống như thời kỳ đầu của DeFi farming, khi những người có vốn lớn có thể ‘múc’ yield cao còn những người nhỏ lẻ thì trả gas phí và nhận rác. Sự bất bình đẳng về phần cứng sẽ tạo ra sự tập trung lợi nhuận. Không có gì mới dưới mặt trời cả.
Đối với các dự án crypto AI, thông điệp là: đừng cố ăn cướp mô hình hoặc dựa dẫm vào câu chuyện "decentralized inference". Bởi vì một công ty tập trung — có tiền, có GPU, và có dữ liệu người dùng — luôn có thể chạy nhanh hơn bạn. Hãy chọn một cuộc chiến khác. Ví dụ, phát triển các lớp trung gian giúp kiểm soát quyền sở hữu nội dung trên blockchain, để theo dõi nguồn gốc video, đảm bảo bản quyền tác giả — đó là nhu cầu sẽ tăng lên cùng với sự phổ biến của AI video. Hoặc xây dựng giao thức thanh toán vi mô cho phép các nhà sáng tạo nội dung trả phí API theo từng API call với token riêng — nhưng phải làm nhỏ gọn, không phải là một blockchain hoành tráng.
Takeaway: Ai là người chiến thắng? Nhưng câu hỏi đúng hơn là: Khi nào crypto ngừng tự lừa dối mình?
Khi tôi tắt tab Telegram và nhìn ra cửa sổ Hong Kong lúc gần sáng, tôi nhận ra một điều. Cả hai giới — AI và crypto — đều đang chạy theo những câu chuyện mà họ muốn nghe, chứ không phải những gì đang xảy ra. Những người yêu thích crypto nhìn thấy ‘open source’ và hét lên ‘phi tập trung hóa’. Nhưng thực ra họ đang nhìn vào một mô hình kinh doanh API của một công ty Trung Quốc — một công ty rất giỏi, rất thông minh, nhưng chắc chắn không phải là một giao thức không tiền tệ.
MiniMax H3, trên bề mặt, là một bước tiến công nghệ. Bên dưới, nó là một chỉ báu: nó cho chúng ta thấy rằng trong cuộc chơi AI, ai sở hữu GPU và dữ liệu, người đó sở hữu trái tim. Còn trong cuộc chơi crypto, chúng ta đang đánh sợi dây chuyền vàng là ‘narrative’ của chính mình. Nhưng mọi thứ có thật — mã nguồn 768p, API 2K — đều nằm ngoài blockchain.
Liệu một giao thức phi tập trung có đủ khả năng tính toán để tạo ra một mô hình video generation đến độ hoàn hảo như H3 không? Có thể một ngày nào đó. Nhưng cái ngày đó, tôi nghi ngờ, sẽ đến sau ngày mà một công ty tập trung đã học được cách tối ưu chi phí tới mức họ có thể bán video 4K với giá một cốc trà sữa. Và khi đó — các bạn ơi — liệu chúng ta còn cần đến một mạng lưới GPU phi tập trung nữa không? Hay chúng ta chỉ cần một chiếc điện thoại thông minh có thể tạo ra một bộ phim ngay trong túi mình?
Hãy để câu hỏi đó treo lơ lửng. Còn bây giờ, tôi sẽ đi pha cà phê. Và mở thêm một tab Telegram nữa.